标签
本文提出了一种受控评估框架，将独立类别支持与表征分配分离，以确定在长尾识别中进行分类器校正后，何时仍值得对编码器进行适配，并表明仅改变基准的构建方式就能逆转这一训练决策。
该论文提出了一种综合性数据生成策略，结合传统数据增强、CutMix、MixUp 和 DCGAN 生成的图像，以解决橄榄树病害分类中的数据不足和类别不平衡问题，并使用 EfficientNetV2B0 进行评估，结果显示准确率显著提高。
提出 PAI-KNN，一种通过推理时先验调整而非内存修改来适应概念漂移与类不平衡的 KNN 数据流分类器，在合成数据流基准上取得了与最先进方法竞争的性能。
该论文提出一个理论框架，分析监督对比学习目标在长尾分布下是否能形成正则单纯形几何，并提出一种完全平衡的对比目标，可证明在最优时形成正则单纯形，从而在长尾识别和迁移学习任务上取得更好的性能。
RGH-GNN 提出一种风险门控的异构图神经网络，将 LightGBM 生成的交易级风险分数作为边权重引导消息传递，以提升金融欺诈检测性能，在 IEEE-CIS 数据集上取得 0.914 的 AUC-ROC 并超越所有基线。
CRISP 是一种用于不平衡表格学习的可扩展核心集方法，它能高效减小数据集规模，同时在欺诈检测等任务中保持高准确性。
本文首次对多任务学习在预测过程监控中的应用进行了全面的实证研究，展示了在下一活动预测和类不平衡缓解方面相较于单任务学习的改进。
本文提出了一种使用错误独立LLM的九投票器集成系统，用于德语社交媒体中的有害内容检测，通过解决类别不平衡问题，在GermEval 2026共享任务的四个子任务中获得第一名。
RoBell-RVFL 是一种鲁棒的随机神经网络，使用广义贝尔隶属函数来处理类别不平衡和噪声数据，在基准数据集上取得了卓越的性能。
本研究探讨了类别不平衡和批处理如何影响系统综述中基于LLM的筛选，揭示了批处理显著改变了决策行为，而流行率元数据的影响微乎其微。
Introduces CALCoDe, a post-hoc reliability layer for frozen medical vision-language models that mitigates class-tail undercoverage under clinical shift, achieving strong worst-class accepted coverage across multiple dermatology shifts and VLM backbones.
介绍了锐度引导均衡采样（SGS），该方法利用锐度估计动态调整采样概率，以在长尾学习中实现平衡的平坦极小值，在CIFAR-100 LT和ImageNet-LT上取得了显著提升。
一个联邦学习研究项目揭示，全局准确率可能掩盖网络入侵检测中少数攻击类别的灾难性失败，表明每个客户端的性能及聚合方法的选择对于罕见攻击检测至关重要。
本文比较了层级攻击性语言检测中的级联模型与联合多任务模型，发现级联架构以增加参数和推理延迟为代价获得了更高的准确率，并且类别不平衡处理策略应通过消融实验进行验证。
提出了一种层次感知的RoBERTa框架，用于在CWE分类法中分类网络安全漏洞，表明层次感知表示学习在处理类别不平衡方面比过采样技术更有效。
本文揭示了标准边际共形预测在不平衡虚拟筛选数据集中无法覆盖少数类，并展示了类条件（Mondrian）共形预测如何恢复每类覆盖。
论文提出了FedCGNM，一种客户端优化器，通过将类别分组并对每个组的动量进行归一化来处理联邦学习中的类别不平衡问题，同时引入FedHOO以实现高效的超参数探索。实证结果表明在基线方法上具有一致的改进。
本文介绍了SemiScope，一种旨在将半监督安全分类中分类器调优的影响与联合SSL及分类器优化的影响分离开来的分析工具。结果表明，通过贝叶斯优化简单地调整分类器及其决策阈值，即可恢复大部分归因于联合优化的性能提升。
提出BP-TTA，一种通过结合批次平衡采样与原型指导约束来处理类别不平衡和持续域偏移的测试时自适应方法，在动态流式场景中实现了最先进的性能。
本文研究了软件缺陷预测中神经网络的训练动态如何受到类不平衡和类重叠等耦合数据质量问题的影响，并提出了一种交互感知的实证协议。