본 논문은 기존 분류 알고리즘의 성능 향상을 위해 반대 기반 학습(OBL)에 기반한 새로운 데이터 변환 프레임워크를 제시한다. 최적화 작업에서 수렴 속도를 높이기 위해 개발된 OBL을 활용하여 기존 훈련 데이터를 대체할 합성 반대 샘플을 생성하고 의사결정 경계 형성을 개선한다. 전역 OBL, 클래스별 OBL, 지역화된 클래스별 OBL 세 가지 OBL 변형을 탐색하고 K-최근접 이웃(KNN), 서포트 벡터 머신(SVM), 로지스틱 회귀(LR), 의사결정 트리(DT) 등 널리 사용되는 여러 분류기에 통합한다. 26개의 이종 고차원 데이터 세트에 대한 광범위한 실험을 통해 OBL이 향상된 분류기가 정확도와 F1 점수 측면에서 기존 분류기를 꾸준히 능가하며, 종종 거의 완벽하거나 완벽한 분류를 달성함을 보여준다. 또한 OBL은 특히 SVM과 LR에서 계산 효율성을 향상시킨다. 이러한 결과는 OBL이 특히 복잡하거나 스파스한 학습 환경에서 분류 성능을 향상시키는 경량이면서 강력한 데이터 변환 전략으로서의 잠재력을 강조한다.
