HOT 슬롯에 선정된 이유는 2025년 발표 이후 211회 인용되어 같은 해 상위 1%에 속하고, 불균형 데이터 처리에 대한 높은 관심을 반영하기 때문이다.

이 연구는 클래스 불균형 수준을 15%부터 1%까지 다양하게 설정하고, Random Forest와 XGBoost 분류기를 SMOTE, ADASYN, GNUS와 결합하여 성능을 평가한다. 평가 지표로는 F1 점수, ROC AUC, PR AUC, Matthews Correlation Coefficient, Cohen’s Kappa가 사용되었다. 결과는 SMOTE와 결합된 튜닝된 XGBoost가 모든 불균형 수준에서 가장 높은 F1 점수와 안정적인 성능을 보였으며, SMOTE가 가장 효과적인 업샘플링 방법으로 확인되었다. 반면 Random Forest는 심한 불균형에서 성능이 크게 떨어지고, ADASYN과 GNUS는 XGBoost 대비 낮은 효과를 보였다.

후속 연구에서는 XGBoost+SMOTE 조합을 베이스라인으로 삼아 새로운 분류기나 업샘플링 기법을 동일 지표와 불균형 비율 하에 비교 평가함으로써 성능 향상을 검증할 수 있다.

이 논문은 OpenAlex에서 후보로 수집한 뒤, Crossref에 등록된 DOI와 제목 일치를 확인해 노출합니다. SSRA가 문헌연구에서 인용 논문의 실재 여부를 검증하는 원칙과 같습니다.