标签
提出TMR-GGNN，一种用于信用卡欺诈检测的时间感知多关系图神经网络，通过对比学习和焦点损失处理不平衡数据和不断演变的欺诈模式。
提出RGNet，一种基于重整化群理论的神经网络架构，用于特征空间的分层粗粒化，以解决故障诊断中的类别不平衡和噪声问题。在AI4I数据集上的实验结果表明，RGNet提供了可解释且具有竞争力的性能。
本文介绍nCMD，一种面向不平衡网络入侵检测的良性锚定特征选择方法，该方法通过特征与良性类均值的偏差来评分，在基准数据集上优于经典过滤器。
本文提出了一种新颖的主动学习框架，利用基础模型先验来同时解决类别不平衡和标签噪声问题，在图像和文本领域相比基线方法节省了超过50%的标注成本。
本文提出了一种混合架构，将FT-Transformer与梯度提升树通过校准感知的堆叠方法相结合，用于结构化表格数据上的客户流失预测。在一个公开的银行客户流失数据集上，该方法在F1和AUC-ROC指标上取得了改进。
本文提出了一种迭代不平衡感知微调方法，使用 Qwen3-8B 和 QLoRA 进行心理防御机制分类，在 PsyDefDetect 2026 共享任务中取得了 0.3917 的宏 F1 分数，在 21 支队伍中排名第 4。
本文将经典的类别不平衡技术应用于表格分类的先验数据拟合网络（PFNs），发现由于PFNs的校准特性和有限数据能力，阈值法和降采样法表现良好。
本文介绍了yvsoucom-iterkit，一个确定性的日志驱动AutoML框架，用于医疗风险预测中可复现的流水线优化。在糖尿病和中风数据集上评估了超过18,000个流水线配置，取得了强劲的性能，并揭示了具有组件冗余的结构化搜索空间。
本文研究了从少样本学习中采用情节采样（episodic sampling）用于医学图像分割中的类别平衡批次构建，表明在低数据条件下由于减少过拟合和延长训练迭代而提高了性能，代码可在GitHub上获取。
本文对在严重类别不平衡条件下预测财务困境的经典方法、集成方法和神经网络方法进行了比较评估，使用SMOTE进行过采样，SHAP进行可解释性分析。
本文提出了一种结合上下文感知合成增强框架与混合分类模型的方法，以解决从文本中分类心理防御机制时的数据稀缺和类别不平衡问题。该方法在 PsyDefDetect 共享任务基准上取得了显著改进。
RADS 利用强化学习挑选最具信息量的样本进行少样本微调，在低资源且极度不平衡的临床数据集上显著提高迁移学习准确率。
孟菲斯大学研究团队提出 HAMR——一种模型无关的元学习框架，通过双层优化与邻域感知重采样，在六个不平衡 NLP 数据集上自适应地为困难样本与少数类重新赋权。