标签
本文提出一种方法，通过使用置信度来解决标记正例数据中的偏差，从而从有偏的正例-未标记数据中最大化ROC曲线下面积（AUC）。
本文提出了 Local Reference Geometry (LRG)，一个轻量级的后验特征增强模块，通过测量和修复几何故障，提升不平衡时间序列分类中少数类别的局部特征可靠性。
本文在7个不平衡分类数据集上对11种文本增强方法进行了基准测试，包括经典扰动、嵌入空间检索和基于LLM的方法。研究发现，基于检索的过采样（EmbSMOTE）优于基于LLM的增强方法，并且保持类别条件结构比表面多样性更为重要。
本文提出 BS-cRT，一种两阶段的长尾识别基线，首先使用 Balanced Softmax 训练骨干网络，然后在平衡批次上仅重新训练分类器，在多个基准测试上持续提升少样本准确率。
RUBRIC是一个与生成器无关的过滤框架，用于不平衡分类，通过平衡实况（通过判别器）和效用（基于边界的评分）来选择合成样本，在信用卡欺诈检测等基准上提高了F1宏观和召回率。