对比三类方法，提升光网络故障检测的不平衡数据处理效果

Pre-, In-, and Post-Processing Class Imbalance Mitigation Techniques for Failure Detection in Optical Networks

• 比较预处理、训练中、后处理三类不平衡缓解技术
• 阈值调整提升F1分数15.3%，随机欠采样推理最快
• 适合关注性能与效率权衡的网络故障检测研究者

本文对比了用于光网络故障检测中类别不平衡缓解的预处理、训练中和后处理技术。阈值调整实现了最高的F1分数提升（15.3%），而随机欠采样（RUS）则提供了最快的推理速度，凸显了性能与计算复杂度之间的关键权衡。

原文摘要 · Abstract (English)

We compare pre-, in-, and post-processing techniques for class imbalance mitigation in optical network failure detection. Threshold Adjustment achieves the highest F1 gain (15.3%), while Random Under-sampling (RUS) offers the fastest inference, highlighting a key performance-complexity trade-off.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。