بسیاری از مدلهای هوش مصنوعی وقتی با دادههای نامتوازن (Imbalanced Data) روبرو میشوند، در اولویتبندی ویژگیهای مهم دچار خطا میشوند. محققان به تازگی فریمورک نوآورانه «K-IPO» را معرفی کردهاند که مشکل رایج اعوجاج در «اهمیت ویژگیها» (Feature Importance) را هنگام تولید دادههای مصنوعی حل میکند.
این روش با اعمال محدودیتهای خاص بر پایه ضریب همبستگی کندال (Kendall’s tau)، باعث میشود دادههای مصنوعی تولید شده، منطق اصلی و رتبهبندی اهمیت ویژگیها را در مدل حفظ کنند. نتیجه این کار؟ دقت بالاتر در پیشبینی و تحلیلهای قابلاعتمادتر برای مدلهای دستهبندی! 📊✨
منبع: arXiv AI