不平衡分类的深度强化学习
针对日益复杂和不平衡的数据集，提出了一种基于强化学习的不平衡分类框架，并将其扩展为多类设置。在真实的临床案例研究中，实验表明该框架优于现有的不平衡学习方法，可以实现更公平和平衡的分类，同时也显着提高少数类别的预测准确性。
May, 2022
本文研究一个分类问题，针对特征的代价进行优化，通过应用神经网络的顺序决策方法来解决分类问题，表现与专为此问题开发的算法相当，并且灵活性高，可通过引入预先训练的高性能分类器来改进。
Nov, 2017
本文提出了一种基于类别不平衡的深度学习模型，使用小样本类别修正和难样本挖掘，通过迭代逐批次学习，最小化数量众多类别的影响。实验结果表明，该模型在处理不平衡数据学习问题上相比现有最先进模型具有性能优势和可扩展性。
Apr, 2018
我们研究了如何使用深度 Q 网络（DQN）来提高多类分类算法的功能性，并利用 Kaggle 的基准数据集创建了将 DQN 与现有的监督式多类分类算法结合的框架。本研究的发现将揭示深度强化学习策略如何提高多类分类准确性，并应用于图像识别、自然语言处理和生物信息学等多个领域。本研究的重点是预测企业的财务困境以及深度 Q 网络在多类分类中的更广泛应用。识别可能处于财务困境的企业是金融和风险管理领域的关键任务。当企业的运营遇到严重挑战、履行财务责任困难时，就说它处于财务困境。这通常发生在公司的盈利出现急剧持续的衰退、现金流问题或者不可持续的债务水平时。
Jul, 2023
通过一种新颖的算法 DIRECT，该论文提出了解决机器学习中不平衡问题的有效技术，通过收集更平衡和信息丰富的标记示例来进行注释，相较于现有算法，该算法节省了超过 15% 的注释预算。
Dec, 2023
本研究采用各种经典策略验证了其在类不平衡数据的表示学习有效性，并展示了同时在和类内外保持间隔的约束下学习更具有区分性的深度表示的方法：Cluster-based Large Margin Local Embedding (CLMLE)，结合简单的 k 近邻聚类算法，改善了三维面部识别和面部属性预测任务中现有方法的准确性。
Jun, 2018
本文介绍了基于深度强化学习的主动学习框架，旨在最大限度地提高医学影像分类器性能，同时减少对数据采集和标记所需的时间和专业知识。该框架通过修改深度 - Q 网络公式，基于几何参数在分类器的潜在空间中挑选数据，实现了高准确性的多类别分类。同时，我们还将该框架应用于两个医学图像数据集，并与标准查询策略以及最新的基于强化学习的主动学习方法进行了比较。
Jun, 2022
该研究提出了一种基于成本敏感深度神经网络的方法，可以在不改变原始数据分布的情况下解决类别不均衡的问题，并在六个主要图像分类数据集上进行了实验证明其明显优于现有方法。
Aug, 2015
通过在分布式的约束条件如 onservative Q-learning 基础上引入信息检索过程，有效地减轻了失衡数据集所带来的挑战，我们提出了一种新颖的离线强化学习方法，并在不同程度失衡的数据集上的几个任务中评估了其优劣。
Jul, 2023