Earticle

본 연구에서는 영상의 분위기를 심층 합성곱 신경망을 통해 8 가지로 분류하고, 이에 맞는 배경 음악을 적용하여 동영상을 자동적으로 생성하였다. 수집된 이미지 데이터를 바탕으로 다층퍼셉트론을 사용하여 분류 모델을 학습한다. 이를 활용하여 다중 클래스 분류를 통해 동영상 생성에 사용할 이미지의 분위기를 예측하며, 미리 분류된 음악을 매칭시 켜 동영상을 생성한다. 10겹 교차 검증의 결과, 72.4%의 정확도를 얻을 수 있었고, 실제 영상에 대한 실험에서 64%의 오차 행렬 정확도를 얻을 수 있었다. 오답의 경우, 주변의 비슷한 분위기로 분류하여 동영상에서 나오는 음악과 크게 위화감이 없음을 확인하였다.

In this paper, the mood of images was classified into eight categories through a deep convolutional neural network and video was automatically generated using proper background music. Based on the collected image data, the classification model is learned using a multilayer perceptron (MLP). Using the MLP, a video is generated by using multi-class classification to predict image mood to be used for video generation, and by matching pre-classified music. As a result of 10-fold cross-validation and result of experiments on actual images, each 72.4% of accuracy and 64% of confusion matrix accuracy was achieved. In the case of misclassification, by classifying video into a similar mood, it was confirmed that the music from the video had no great mismatch with images.

본 논문은 최근 컴퓨터 비전 및 기계학습 분야에 활용되는 분류기 중 가장 널리 이용되는 SVM 분류기의 성능 향상을 위한 새로운 알고리즘을 제안한다. SVM 분류기의 기본적 개념은 분류함수에 대한 입력 특징 벡터의 soft 마진 비용을 최소화하는 것으로 정의할 수 있다. 이러한 접근법으로부터 구축된 분류 함수의 모델은 주어진 학습 데이터에 대한 효율적인 결정 경계를 제공하지만, 각 특징 벡터와 주변 특징 벡터 간의 구조적·분포적 특성을 반영할 수 없어 이상점에 의해 영향을 받게 된다. 본 연구에서는 이러한 SVM분류기가 갖는 단점을 보완하기 위해 각 특징 벡터의 분포에 따른 가중치를 부여하여 주변 특징 벡터들과의 나타나는 분포적 특징을 반영하도록 하였다. 또한 본 연구에서 정의한 effectiveness 요소를 통해 분류 모델의 결정 경계를 보다 효과적으로 선택할 수 있도록 하였다. 제안한 알고리즘의 성능 검증을 위해 MNIST 데이터에 대한 다 부류 분류를 수행하였으며, 그 결과 기존의 SVM 분류기보다 향상된 분류 성능을 달성하였다.

In this paper, we proposed a new SVM model for classification based on analysis of weight and effectiveness of a certain feature vector. The standard SVM approach used a concept of minimization of geometric soft margin between input feature vector and classification function. Although the classical approach builds a classification function to pro-vide efficient decision boundary, this model is easily affected by outliers because each support vector cannot reflect structural or distributional properties of input data. To overcome defects of the classical SVM approach, a new model is derived from weighting scheme based on geometrical relation of nearby feature vectors and data distribution of input feature vectors. The proposed model was verified by using the effectiveness factor that helps to build classification function to provide effective global decision boundary. We evaluated our weighted SVM model using effectiveness factor for multi-class classification and achieved higher accuracy than classical SVM model using the MNIST dataset.

토지피복도는 환경 관리와 농업 정책 수립에 필수적인 공간정보이지만 국내에서는 여전히 수작업 판독에 의존하고 있어 갱신 주기가 길고 경계 정밀도가 제한적이다. 본 연구는 고해상도 RGB 정사영상과 U-Net 기반 의미 분할 모델을 활용하여 세부 토지피복 분류 및 농경지 경계 검증의 자동화 가능성을 평가하였다. 연구 대상지는 농경 지가 우세하고 인공 구조물이 산재한 경상북도 구미시 해평면이다. 공간해상도 25 cm 정사영상을 512×512 픽셀 단 위로 분할하고 11개 클래스로 수작업 라벨링하여, 총 1,172개 타일을 학습에, 200개를 검증에 사용하였다. 검증 결과, MIoU는 0.3342, 전체 정확도는 0.8157로 나타났다. MIoU 값은 대규모 딥러닝 연구의 일반적 기준보다 낮지만 제한 된 데이터 규모와 클래스 불균형을 고려할 때 의미 있는 결과로 판단된다. 수치지도, 지적도 및 공식 토지피복도와의 시각적 비교를 통해 본 연구의 방법이 필지 단위 농경지 경계와 태양광 시설을 보다 현실적으로 추출함을 확인하였 다. 이러한 결과는 정사영상 기반 딥러닝 기법이 농촌 지역에서 토지피복도 자동 갱신과 농경지 경계 추출에 효과적 으로 활용될 수 있음을 보여준다.

Land cover maps are essential for environmental management and agricultural policy, but in Korea they are still produced mainly through manual interpretation, limiting update frequency and boundary precision. This study assesses the feasibility of automating detailed land cover classification and farmland boundary verification using high-resolution RGB orthophotos and a U-Net semantic segmentation model. The study area is Haepyeong-myeon, Gumi City, Gyeongsangbuk-do, a rural region dominated by agricultural fields with scattered artificial structures. Orthophotos at 25 cm resolution were tiled into 512 × 512 patches and manually labeled into 11 classes. In total, 1,172 tiles were used for training and 200 for validation. The trained U-Net achieved a Mean Intersection over Union(MIoU) of 0.3342 and an overall accuracy of 0.8157 on the validation set. While the mIoU is below typical benchmarks, the results remain meaningful given the limited dataset size and class imbalance. Comparisons with topographic, cadastral, and official land cover maps indicate that the proposed method delineates parcel-level farmland boundaries and solar facilities more realistically. Overall, the findings suggest that orthophoto-based deep learning can support automated land cover map updates and farmland boundary extraction in rural areas.

Support vector machines (SVMs), a machine learning technique, has been applied to not only binary classification problems such as bankruptcy prediction but also multi-class problems such as corporate credit ratings. However, in general, the performance of SVMs can be easily worse than the best alternative model to SVMs according to the selection of predictors, even though SVMs has the distinguishing feature of successfully classifying and predicting in a lot of dichotomous or multi-class problems. For overcoming the weakness of SVMs, this study has proposed an approach for selecting features for multi-class SVMs that utilize the impurity measures of classification trees. For the selection of the input features, we employed the C4.5 and CART algorithms, including the stepwise method of discriminant analysis, which is a well-known method for selecting features. We have built a multi-class SVMs model for credit rating using the above method and presented experimental results with data regarding S&P 500 companies.

Twin support vector machine (TWSVM) was initially designed for binary classification. However, real-world problems often require the discrimination more than two categories. To tackle multi-class classification problem, in this paper, a multiple least squares twin support vector machine is proposed. Our Multi-LSTSVM solves K quadratic programming problems (QPPs) to obtain K hyperplanes, each problem is similar to binary LSTSVM. Comparison against the Multi-LSSVM, Multi-GEPSVM, Multi-TWSVM and our Multi-LSTSVM on both UCI datasets and ORL, YALE face datasets illustrate the effectiveness of the proposed method.

사람의 행동 없이 움직임을 상상하는 뇌파로부터 사용자의 동작 의도를 파악하는 동작 상상 뇌파 분류는 뇌-컴퓨터 인터페이스(brain-computer interface) 기술의 중요한 분야이다. 동작 상상 뇌파의 분류에서는 특징 추출과 분류 방법의 선택에 따라 정확성에 많은 영향을 미친다. 본 논문에서는 BCI Competition IV 의 멀티 클래스 동작 상상 데이터 분류를 위해, 4~32Hz 사이의 신호를 4Hz 간격으로 하고, 2Hz 중복되는 주파수 대역으로 분할하여 FBCSP(Filter Bank Common Spatial Pattern)를 적용한다. 그리고 뇌의 활성화 영역에 대한 공간 정보 특성뿐만 아니라 시간 정보 특성을 고려하기 위해 슬라이딩 윈도우 기반으로 특징을 추출하고, 2-layer LSTM을 이용하여 분류를 수행하였다. 실험을 통해 제안 방법이 기존 연구보다 더 우수한 성능의 분류 정확도를 확인할 수 있었다. 그러므로 본 연구 결과는 향후 실시간 BCI 시스템의 효율적인 구현을 위한 기반연구로써 의미가 있을 것으로 기대한다.

Electroencephalogram(EEG)-based motor imaginary classification, which identifies the user's motion intention from EEG that imagines a person's motion without action, is an important field of brain-computer interface technology. In the motor imaginary EEG classification, the selection of feature extraction and classification methods has a significant impact on accuracy. In this paper, to classify multi-class motor imagery EEG data of BCI Competition IV, FBCSP (Filter Bank Common Spatial Pattern) is applied by decomposing signals with 4 ~32 Hz frequencies into 4 Hz intervals, overlapping 2 Hz. In order to consider not only the spatial information characteristics but also the temporal information characteristics of the brain's activated areas, features were extracted based on sliding windows, and classification was performed using a 2-layer LSTM. Experiments confirmed that the proposed method achieved superior classification accuracy compared to existing studies. Therefore, the results of this study are expected to be meaningful as basic research for the efficient implementation of real-time BCI systems in the future.

데이터 불균형은 분류 문제에서 흔히 마주치는 문제로, 데이터셋 내의 클래스간 샘플 수의 현저한 차이에서 기인 한다. 이러한 데이터 불균형은 일반적으로 분류 모델에서 과적합, 과소적합, 성능 지표의 오해 등의 문제를 야기한다. 이를 해결하기 위한 방법으로는 Resampling, Augmentation, 규제 기법, 손실 함수 조정 등이 있다. 본 논문에서는 손실 함수 조정에 대해 다루며 특히, 불균형 문제를 가진 Multi-Class 블랙박스 동영상 데이터에서 여러 구성의 손실 함수(Cross Entropy, Balanced Cross Entropy, 두 가지 Focal Loss 설정: α = 1 및 α = Balanced, Asymmetric Loss)의 성능을 I3D, R3D_18 모델을 활용하여 비교하였다.

Data imbalance is a common issue encountered in classification problems, stemming from a significant disparity in the number of samples between classes within the dataset. Such data imbalance typically leads to problems in classification models, including overfitting, underfitting, and misinterpretation of performance metrics. Methods to address this issue include resampling, augmentation, regularization techniques, and adjustment of loss functions. In this paper, we focus on loss function adjustment, particularly comparing the performance of various configurations of loss functions (Cross Entropy, Balanced Cross Entropy, two settings of Focal Loss: α = 1 and α = Balanced, Asymmetric Loss) on Multi-Class black-box video data with imbalance issues. The comparison is conducted using the I3D, and R3D_18 models.

Prostate cancer (PCa) is a fatal disease that occurs in men. In general, PCa cells are found in the prostate gland. Early diagnosis is the key to prevent the spreading of cancers to other parts of the body. In this case, deep learning-based systems can detect and distinguish histological patterns in microscopy images. The histological grades used for the analysis were benign, grade 3, grade 4, and grade 5. In this study, we attempt to use transfer learning and fine-tuning methods as well as different model architectures to develop and compare the models. We implemented MobileNet, ResNet50, and DenseNet121 models and used three different strategies of freezing layers techniques of fine-tuning, to get various pre-trained weights to improve accuracy. Finally, transfer learning using MobileNet with the half-layer frozen showed the best results among the nine models, and 90% accuracy was obtained on the test data set.

As one of multi-class classification methods, ECOC (Error Correcting Output Coding) method is known to have low classification error rate. This paper aims at suggesting effective multi-class classification method (1) by comparing various encoding methods and decoding methods in ECOC method and (2) by comparing ECOC method and direct classification method. Both SVM (Support Vector Machine) and logistic regression model were used as binary classifiers in comparison.

More elaborated methods allowing the usage of binary classifiers for the resolution of multi-class classification problems are briefly presented. This way of using FSVC to learn a K-class classification problem consists in choosing the maximum applied to the outputs of K FSVC solving a one-per-class decomposition of the general problem.

Support vector machine(SVM)은 졸은 일반화 능력을 가진 학습시스템으로, 최근 다양한 패턴 인식 분야에서 적용되고 있다. SVM은 기본적으로 이진 분류기이므로 두 개 이상의 클래스를 분류하기 위해서는 다중 클래스 분류가 가능한 형태로의 설계 방법이 필요하다. 이를 위해 각 클래스별로 독립적인 SVM들을 만들어 결과를 병합하는 방식이 주로 사용되어 왔다. 그러나 이러한 방법은 클래스의 수는 않고 한 클래스 내의 데이터의 수가 많지 않은 경우에는 SVM의 일반화 성능을 저하시키고 노이즈에 민감해지는 문제점을 가지고 있다. 이를 해결하기 위해 본 논문에서는 각 클래스내의 데이터간의 유사도 측정을 위한 통계적 정보를 안정적으로 추출하기 위해 두 데이터의 쌍을 입력으로 받는 새로운 SVM 설계 방법을 제시한다. 제안한 방법을 실제 생체인식 데이터에 적용한 실험에서 기존의 방법보다 우수한 분류 성능을 보임을 확인할 수 있었다.

Support vector machine(SVM)은 졸은 일반화 능력을 가진 학습시스템으로, 최근 다양한 패턴 인식 분야에서 적용되고 있다. SVM은 기본적으로 이진 분류기이므로 두 개 이상의 클래스를 분류하기 위해서는 다중 클래스 분류가 가능한 형태로의 설계 방법이 필요하다. 이를 위해 각 클래스별로 독립적인 SVM들을 만들어 결과를 병합하는 방식이 주로 사용되어 왔다. 그러나 이러한 방법은 클래스의 수는 않고 한 클래스 내의 데이터의 수가 많지 않은 경우에는 SVM의 일반화 성능을 저하시키고 노이즈에 민감해지는 문제점을 가지고 있다. 이를 해결하기 위해 본 논문에서는 각 클래스내의 데이터간의 유사도 측정을 위한 통계적 정보를 안정적으로 추출하기 위해 두 데이터의 쌍을 입력으로 받는 새로운 SVM 설계 방법을 제시한다. 제안한 방법을 실제 생체인식 데이터에 적용한 실험에서 기존의 방법보다 우수한 분류 성능을 보임을 확인할 수 있었다.

Terrain classification is still a challenging issue in image processing, especially with high resolution satellite images. The well-known obstacles include low accuracy in the detection of targets, especially for the case of man-made structures, such as buildings and roads. In this paper, we present an efficient approach to classify and detect building footprints, foliage, grass and road from high resolution grayscale satellite images. Our contribution is to build a strong classifier using AdaBoost based on a combination of co-occurrence and Haar-like features. We expect that the inclusion of Harr-like feature improves the classification performance of the man-made structures, since Haar-like feature is extracted from corner features and rectangle features. Also, the AdaBoost algorithm selects only critical features and generates an extremely efficient classifier. Experimental result indicates that the classification accuracy of AdaBoost classifier is much higher than that of the conventional classifier using back propagation algorithm. Also, the inclusion of Harr-like feature significantly improves the classification accuracy. The accuracy of the proposed method is 98.4% for the target detection and 92.8% for the classification on high resolution satellite images.

본 논문에서는 베어링의 결함 진단을 위한 단일 클래스 분류의 진동 이상 탐지 시스템을 제안한다. 베어링 고장으로 인해 발생하는 경제적 및 시간적 손실을 줄이기 위해 정확한 결함 진단시스템은 필수적이며 문제 해결을 위해 딥러닝 기반의 결함 진단 시스템들이 널리 연구되고 있다. 그러나 딥러닝 학습을 위한 실제 데이터 채집 환경에서 비정상 데이터 확보에 어려움이 있으며 이는 데이터 편향을 초래한다. 이에 정상 데이터만 활용하는 단일 클래스 분류 방법을 활용한다. 일반적인 방법으로는 AutoEncoder를 통한 압축과 복원 과정을 학습하여 진동 데이터의 특성을 추출한다. 추출된 특성으로 단일 클래스 분류기를 학습하여 이상 탐지를 실시한다. 하지만 이와 같은 방법은 진동 데이터의 주파수 특성을 고려하지 않아서 진동 데이터의 특성을 효율적 추출할 수 없다. 이러한 문제를 해결하기 위해 진동 데이터의 주파수 특성을 고려한 AutoEncoder 모델을 제안한다. 분류 성능은 accuracy 0.910, precision 1.0, recall 0.820, f1-score 0.901이 나왔다. 주파수 특성을 고려한 네트워크 설계로 기존 방법들보다 우수한 성능을 확인하였다.

In this paper, we propose a one-class vibration anomaly detection system for bearing defect diagnosis. In order to reduce the economic and time loss caused by bearing failure, an accurate defect diagnosis system is essential, and deep learning-based defect diagnosis systems are widely studied to solve the problem. However, it is difficult to obtain abnormal data in the actual data collection environment for deep learning learning, which causes data bias. Therefore, a one-class classification method using only normal data is used. As a general method, the characteristics of vibration data are extracted by learning the compression and restoration process through AutoEncoder. Anomaly detection is performed by learning a one-class classifier with the extracted features. However, this method cannot efficiently extract the characteristics of the vibration data because it does not consider the frequency characteristics of the vibration data. To solve this problem, we propose an AutoEncoder model that considers the frequency characteristics of vibration data. As for classification performance, accuracy 0.910, precision 1.0, recall 0.820, and f1-score 0.901 were obtained. The network design considering the vibration characteristics confirmed better performance than existing methods.

본 논문은 의료 영상에 대한 효과적인 분류와 검색을 위한 알고리즘을 제안한다. 영상 분류와 검색을 위해서 MPEG-7 표준 기술자인 색 구조 기술자와 경계선 히스토그램 기술자를 사용해 영상들에 대한 특징 값을 추출한다. 이렇게 구해진 특징 값들을 의료 영상의 분류와 검색에 적용해 본 결과 비교적 낮은 성능을 보여줌을 확인하고 앞서 구해진 특징 값들을 교사 학습 방법인 SVM(Support Vector Machine)과 비교사 학습 방법인 FCM(Fuzzy C-means Clustering)에 적용시켰다. 기존 연구에서는 SVM과 FCM의 통합으로 의료 영상에 대한 분류와 검색을 시행하였지만 본 논문에서 실험한 결과 SVM과 MPEG-7 시각 기술자 중에 하나인 EHD(Edge Histogram Descriptor)를 가중치 선형 결합하여 실험한 결과가 더 정확한 분류와 높은 검색 성능을 나타냄을 확인하였다.

본 논문에서는 여러 개의 클래스가 존재할 때, 각 클래스 내에서 샘플들을 클러스터링하고 서로 다른 클래스들과 분산도를 비교하여 클러스터가 가장 겹치지 않는 유전자 쌍들을 찾는다. 각 유전자 쌍에서 테스트 샘플과 가장 가까운 클러스터를 찾음으로써 클래스를 분류하고, 최종적으로 과반수 의결(Majority vote)하여 가장 많이 분류된 클래스를 최종 클래스로 확정한다. 그 결과, 해당 모델이 여러 개의 클래스를 가진 데이터에서 다른 비교 알고리즘의 모델들보다 높은 정확도를 나타내었다.

본 논문에서는 여러 개의 클래스가 존재할 때, 각 클래스 내에서 샘플들을 클러스터링하고 서로 다른 클래스들과 분산도를 비교하여 클러스터가 가장 겹치지 않는 유전자 쌍들을 찾는다. 각 유전자 쌍에서 테스트 샘플과 가장 가까운 클러스터를 찾음으로써 클래스를 분류하고, 최종적으로 과반수 의결(Majority vote)하여 가장 많이 분류된 클래스를 최종 클래스로 확정한다. 그 결과, 해당 모델이 여러 개의 클래스를 가진 데이터에서 다른 비교 알고리즘의 모델들보다 높은 정확도를 나타내었다.

Support vector machine(SVM)은 입력 데이터를 두개의 다른 클래스로 구별하는 결정면을 학습과정을 통하여 구한다. 기존의 SVM은 단지 이차 클래스에 대하여 적용되어지나, 많은 응용분야에서 입력 데이터들은 몇 개의 다중 클래스로 분류해야 한다. 다중 클래스 분류 문제는 기존의 SVM을 사용할 수 있는 일반적으로 몇 개의 2차 문제로 분해하여 풀 수 있다. 실례로 one-against-all 방법을 적용하면, n 클래스 문제는 n 개의 두 클래스 문제로 변환 하여 풀 수 있다. 본 논문에서는 입력 패턴들을 다중 클래스로 분류 할 때 퍼지 소속도를 응용한 소프트 마진 알고리즘의 상한 경계값을 각 클래스에 따라 다르게 적용함으로써 기존의 SVM 보다 더 우수한 학습 능력을 가짐을 보였다.

이진 분류기로서 지지벡터기계는 다양한 응용을 통해 이진 분류 문제에서 기존의 패턴 분류기들보다 우수한 성능을 보였다. 지지벡터기계의 바탕이 되는 최대 마진 분류 이론을 다중 분류 문제에 확장은 어려움이 있다. 이 논문에서는 다중 분류 문제를 위한 지지벡터기계의 학습 전략을 논의하였으며 성능 비교를 수행하였다. 학습 데이터의 분배 전략에 따라 지지벡터기계는 고유의 이진 분류 특징을 수정하지 않고 다중분류 문제에 쉴게 적용될 수 있다. 다양한 벤치마킹 데이터에 대해 선택된 학습 전략, 커널함수, 학습 소요시간 등에 따라 성능비교가 수행되었고 오류역전파 학습의 신경망의 테스트 결과와 비교되었다. 신경망 모델과 비교 실험에서 지지벡터기계는 일반적인 다중 분류 문제에 응용성과 효과가 있음을 보였다.

The support vector machine, as a binary classifier, is known to surpass the other classifiers only in binary classification problems through the various experiments. Even though its theory is based on the maximal margin classifier, the support vector machine approach cannot be easily extended to the multi-classification problems. In this paper, we review the extension techniques of the support vector machine toward the multi-classification and do the performance comparison. Depending on the data decomposition of the training data, the support vector machine is easily adapted for a multi-classification problem without modifying the intrinsic characteristics of the binary classifier. The performance is evaluated on a collection of the benchmark data sets and compared according to the selected teaming strategies, the training time, and the results of the neural network with the backpropagation teaming. The experiments suggest that the support vector machine is applicable and effective in the general multi-class classification problems when compared to the results of the neural network.

다중 클래스 분류 문제에서 특정 클래스의 표본 수가 현저히 적을 경우, 모델이 다수 클래스에 편향되어 학습되는 데이터 불균형 문제가 발생한다. 이러한 불균형은 소수 클래스의 패턴을 효과적으로 학습하는 데 어려움을 초래하여 전체 분류 성능이 저하될 수 있다. 이를 완화하기 위해 다양한 오버샘플링 기법이 제안되었으나, 대부분 이진 분류 문제를 대상으로 개발된 방법들이므로 다중 클래스 분류 문제에 직접 적용하기에는 한계가 있다. 이에 본 연구에서는 다중 클래스 데이터에서 소수 클래스 간의 균형을 일정 수준 유지하면서 적용할 수 있도록 오버샘플링 기법을 두 가지 방법 내에서 적용하고, 이를 다중 클래스 분류 분해 방법과 결합하는 프레임워크를 구축하였다. 제안된 프레임워크의 성능을 평가하기 위해 다양한 불균형 비율을 설정한 모의실험을 수행하였으며, 실제 데이터에 대한 적용 가능성을 검토하기 위해 Kaggle에서 제공하는 태아 건강 데이터를 분석하였다. 실험 결과, 제안된 프레임워크는 다양한 불균형 상황에서 기존 방법 대비 우수한 분류 성능을 보였으며, 실제 데이터 분석에서도 효과적인 결과를 보였다. 이러한 결과는 제시된 접근 방법이 불균형 다중 클래스 분류 문제에 일반적으로 활용될 수 있음을 시사하며, 향후 의료 진단과 같은 다양한 응용 분야에서 유용하게 적용될 것으로 기대된다.

In multi-class classification problems, severe class imbalance can cause models to be biased toward the majority class, making it difficult to effectively learn patterns from minority classes and ultimately degrading overall classification performance. Various oversampling techniques have been proposed to mitigate this issue; however, most were originally designed for binary classification and are not directly applicable to multi-class scenarios. To address this limitation, this study applies oversampling techniques within two distinct approaches that maintain a balanced distribution among minority classes and integrates them with multi-class decomposition methods to construct a comprehensive framework. The effectiveness of the proposed framework was evaluated through simulation experiments under different imbalance ratios, and its applicability to real-world data was examined using the Fetal Health Classification dataset from Kaggle. The results demonstrate that the proposed framework outperforms existing methods across various imbalance scenarios and yields promising outcomes in real-world data analysis. These findings suggest that the proposed approach can be broadly applied to multi-class imbalance problems and holds significant potential for practical use in domains such as medical diagnostics.