A flexible neural tree (FNT) is a special and effective kind of artificial neural network that can search optimal network structures using tree structure evolving algorithms, leading to its high performance in many real classification and prediction problems. However, the standard FNT model does not take into account tree structure similarities in its evolving process. This may result to a rapid and significant decrease of its tree structure population. Standard FNT also suffers from imbalanced data. In this study, we propose a new similarity evaluation method for FNT (SEFNT) to keep the population diversity and deal with the imbalanced data. The main idea of SEFNT is twofold. First, the difference between two nodes is introduced for similarity measurement. Second, the node position and height of trees are also taken into account for accurate tree structure distance measurement. SEFNT uses imbalanced fitness function to control its evolving procedure to deal with imbalanced problems. We compare SEFNT with 10 imbalanced methods on 46 KEEL datasets and 10 UCI datasets. The experimental results show that our approach can significantly improve the classification performance of FNT. In the comparisons with other algorithms, SEFNT shows significantly better performance. We also apply the proposed method to a practical imbalanced classification problem, that is, Internet video traffic identification. The results imply that our method is effective in dealing with practical problems.

柔性神经树（FNT）是一种特殊而有效的人工神经网络，它可以使用树结构进化算法搜索最优网络结构，从而在许多实际分类和预测问题中具有高性能。然而，标准的 FNT 模型在其演化过程中没有考虑树结构的相似性。这可能会导致其树状结构种群的快速显着减少。标准 FNT 也存在数据不平衡的问题。在这项研究中，我们提出了一种新的 FNT 相似性评估方法（SEFNT），以保持种群多样性并处理不平衡数据。SEFNT 的主要思想是双重的。首先，引入两个节点之间的差异进行相似度度量。第二，还考虑了树的节点位置和高度，以进行精确的树结构距离测量。SEFNT 使用不平衡适应度函数来控制其演化过程以处理不平衡问题。我们在 46 个 KEEL 数据集和 10 个 UCI 数据集上将 SEFNT 与 10 种不平衡方法进行了比较。实验结果表明，我们的方法可以显着提高 FNT 的分类性能。在与其他算法的比较中，SEFNT 表现出明显更好的性能。我们还将所提出的方法应用于实际的不平衡分类问题，即互联网视频流量识别。结果表明我们的方法在处理实际问题方面是有效的。SEFNT 使用不平衡适应度函数来控制其演化过程以处理不平衡问题。我们在 46 个 KEEL 数据集和 10 个 UCI 数据集上将 SEFNT 与 10 种不平衡方法进行了比较。实验结果表明，我们的方法可以显着提高 FNT 的分类性能。在与其他算法的比较中，SEFNT 表现出明显更好的性能。我们还将所提出的方法应用于实际的不平衡分类问题，即互联网视频流量识别。结果表明我们的方法在处理实际问题方面是有效的。SEFNT 使用不平衡适应度函数来控制其演化过程以处理不平衡问题。我们在 46 个 KEEL 数据集和 10 个 UCI 数据集上将 SEFNT 与 10 种不平衡方法进行了比较。实验结果表明，我们的方法可以显着提高 FNT 的分类性能。在与其他算法的比较中，SEFNT 表现出明显更好的性能。我们还将所提出的方法应用于实际的不平衡分类问题，即互联网视频流量识别。结果表明我们的方法在处理实际问题方面是有效的。SEFNT 显示出明显更好的性能。我们还将所提出的方法应用于实际的不平衡分类问题，即互联网视频流量识别。结果表明我们的方法在处理实际问题方面是有效的。SEFNT 显示出明显更好的性能。我们还将所提出的方法应用于实际的不平衡分类问题，即互联网视频流量识别。结果表明我们的方法在处理实际问题方面是有效的。