순서가 있습니다. 포털 넷(연구방·지식센터·커뮤니티·아카데미)을 먼저 담고,
SSRA 는 맨 나중에 담아 주세요. SSRA 를 먼저 담으면 나머지가 그 안에 포함된 것으로
잡혀 따로 담기지 않습니다. 아이콘도 담을 차례대로 놓았습니다 — 왼쪽부터 차례로 누르시면 됩니다.
2025-01 발표 · 피인용 208회 · 분야 내 인용 영향력 상위권 · 동년 인용 상위 1%
2025년 발표 이후 208회 인용, 분야 평균 대비 인용 영향력이 매우 높아 HOT 슬롯에 선정되었다.
논문 요약
본 리뷰는 실제 데이터에서 흔히 나타나는 클래스 불균형 문제와 이를 해결하기 위한 다양한 머신러닝 기법을 정리한다. 데이터 수준의 오버·언더샘플링, 알고리즘 수준의 앙상블 및 비용 민감형 접근, 하이브리드 전략을 다루며, 정밀도·F1·리콜·G-mean·AUC 등 평가 지표의 중요성을 강조한다. 최신 연구들을 검토하여 일반화와 확장성에서 남은 과제들을 제시한다.
후속 연구설계에 활용하기
제시된 방법론과 평가 지표 체계를 토대로 불균형 데이터에 적합한 알고리즘 선택 및 성능 평가 설계를 구체화할 수 있다.
핵심어
불균형 데이터머신러닝오버샘플링평가 지표
실존 확인
이 논문은 OpenAlex에서 후보로 수집한 뒤, Crossref에 등록된 DOI와 제목 일치를 확인해 노출합니다.
SSRA가 문헌연구에서 인용 논문의 실재 여부를 검증하는 원칙과 같습니다.