التعلم من البيانات غير المتوازنة

مع التوسع المستمر لتوفر البيانات في العديد من الأنظمة واسعة النطاق والمعقدة والمشبكة، مثل المراقبة، والأمن، والإنترنت، والمالية، يصبح من الضروري تعزيز الفهم الأساسي لاكتشاف المعرفة وتحليلها من البيانات الخام لدعم عمليات اتخاذ القرار. على الرغم من أن تقنيات اكتشاف المعرفة وهندسة البيانات الحالية قد حققت نجاحاً كبيراً في العديد من التطبيقات الواقعية، إلا أن مشكلة التعلم من البيانات غير المتوازنة (مشكلة التعلم غير المتوازن) تُعد تحدياً جديداً نسبياً جذب اهتماماً متزايداً من كل من الأوساط الأكاديمية والصناعية. تتعلق مشكلة التعلم غير المتوازن بأداء خوارزميات التعلم في وجود بيانات تمثيلها ناقص وانحرافات شديدة في توزيع الفئات. بسبب الخصائص المعقدة الذاتية لمجموعات البيانات غير المتوازنة، يتطلب التعلم من مثل هذه البيانات فهمات ومبادئ وخوارزميات وأدوات جديدة لتحويل كميات كبيرة من البيانات الخام بكفاءة إلى تمثيل للمعلومات والمعرفة. في هذه الورقة، نقدم مراجعة شاملة لتطور البحث في مجال التعلم من البيانات غير المتوازنة. نركز على تقديم مراجعة نقدية لطبيعة المشكلة، والتقنيات الحديثة، ومقاييس التقييم الحالية المستخدمة لقياس أداء التعلم ضمن سيناريو التعلم غير المتوازن. علاوة على ذلك، ولتحفيز البحث المستقبلي في هذا المجال، نسلط الضوء أيضاً على الفرص الرئيسية والتحديات، بالإضافة إلى الاتجاهات البحثية المهمة المحتملة للتعلم من البيانات غير المتوازنة.