A comparative study on the noise sensitivity of binary classification based on robust deep neural networks

Khudhair, Mohammed Aad, Fazekas, Attila (2025) A comparative study on the noise sensitivity of binary classification based on robust deep neural networks Annales Mathematicae et Informaticae. 61. pp. 129-140. ISSN 1787-6117 (Online)

pdf 129_140_fazekas.pdf Download (737kB) [error in script]

Absztrakt (kivonat)

Tackling the persistent dual challenge of noise and class imbalance in binary classification, this study introduces a robust hybrid pipeline that improves resilience and accuracy in noisy, imbalanced data environments. Leveraging a multi-stage framework, we integrate a Gaussian Mixture Model Noise Filter (GMMNF) to preserve minority class integrity, a Noise- Aware Multi-Layer Perceptron (MLP) enhanced with dynamic regularization to adaptively mitigate noise, and a synergistic resampling strategy combining SMOTE-Tomek and Conditional GAN to optimize class distribution. Comprehensive evaluations across escalating noise levels (0–32%) reveal that our approach not only achieves a peak F1-score of 0.9255 at 4% noise but also maintains over 49% minority class representation even under severe noise stress. Five-fold cross-validation substantiates the pipeline’s robustness, consistently outperforming established state-of-the-art methods. These results underscore the significant advancement our framework offers for real-world applications where data imperfection and imbalance are the norm, in reliable binary classification.

Mű típusa:	Folyóiratcikk - Journal article
Szerző:	Szerző neve Email MTMT azonosító ORCID azonosító Közreműködés Khudhair, Mohammed Aad NEM RÉSZLETEZETT NEM RÉSZLETEZETT NEM RÉSZLETEZETT Szerző Fazekas, Attila NEM RÉSZLETEZETT NEM RÉSZLETEZETT NEM RÉSZLETEZETT Szerző
Kapcsolódó URL-ek:	Befoglaló kötet
Folyóirat alcíme:	Selected papers of the International Conference on Formal Methods and Foundations of Artificial Intelligence
Nyelv:	angol
Kötetszám:	61.
DOI azonosító:	10.33039/ami.2025.10.006
ISSN:	1787-6117 (Online)
Felhasználó:	Tibor Gál
Dátum:	29 Okt 2025 12:38
Utolsó módosítás:	29 Okt 2025 12:38
URI:	http://publikacio.uni-eszterhazy.hu/id/eprint/8831

Műveletek (bejelentkezés szükséges)

Tétel nézet