研究团队提出EANK自适应k近邻分类算法
Start here
2026年11月6日，研究者在 arXiv 发表论文，提出用于 k-NN 分类的自适应邻域方法 EANK。该方法采用实数编码精英遗传算法，将局部密度、标签熵等描述符映射为实例相关的自适应邻居数 k(x)。为兼顾效果与效率，EANK 以留一法准确率结合邻域平滑度惩罚作为优化目标，并通过预计算邻居投票来降低评估计算成本。在合成数据及 12 个公开数据集的嵌套交叉验证中，EANK 的分类表现优于默认的 k=5，且性能与经过精调的全局 k 基线相当。
AI-generated from reports · Updated 5 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习EANK：用于 k-NN 分类中实例自适应 k 优化的遗传算法
研究者提出自适应邻域方法 EANK，通过实数编码精英遗传算法，将局部密度、标签熵等描述符映射为实例相关的自适应邻居数 k(x)。该方法以留一法准确率结合邻域平滑度惩罚作为优化目标，并预计算邻居投票以降低评估计算成本。在合成数据及 12 个公开数据集的嵌套交叉验证中，EANK 表现优于默认的 k=5，且性能与精调后的全局 k 基线相当。
Story heat trend
Current heat 9·Comparable peak 10（Nov 6 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.