摘要
生成式人工智能驱动的教学越来越多地需要评估机制，这些机制能够处理大量的候选指标集，而不会受到类别频率不平衡或冗余变量的影响。现有的过滤方法计算成本较低，但主要测量的是指标的边际相关性；而包装器优化器虽然能够捕捉特征之间的交互，但会带来搜索空间迅速扩大的问题。标准的粒子群优化（PSO）可能对随机初始化和固定或适应性差的搜索控制敏感，这可能会降低搜索的多样性或导致过早收敛。为了解决这一计算上的权衡，本研究结合了条件生成对抗网络（CGAN）进行类别条件下的权重重新平衡，两阶段皮尔逊相关系数（PCC）和改进的粒子群优化（PCC–IPSO）程序进行指标/特征选择，以及带有双向门控循环单元（1D-CNN–BiGRU）的并行池化一维卷积神经网络进行下游验证。PCC–IPSO采用了逻辑斯蒂-正弦混沌初始化、非线性惯性控制、不对称的认知/社会学习因子调度和自适应t分布变异。由于没有使用真实的课堂数据集，该计算方法是在五类的NSL-KDD基准测试上进行测试的，这是一个高维度、严重不平衡的数据集。PCC将41个基准变量减少到了31个，最终选出的变量数量为16个。保留的实验记录显示，整个基准测试流程的准确率为99.06%，并且在多个优化函数上表现出良好的单次运行收敛性能。然而，这些记录没有保存独立的最终变量划分标识符、重复种子统计信息、合成样本距离度量或计算成本数据；因此，这些结果仅作为记录的基准测试结果进行报告，而不是经过统计验证的优越性或官方KDDTest+的性能数据。在这些限制条件下，本研究展示了如何结合生成式权重重新平衡和故意设计的不对称启发式搜索方法，在数据分布不对称的情况下减少指标选择的数量。
