本论文研究了增量学习的问题，提出了一种采用主动和非均衡的采样方法，将增量学习视为一个非均衡学习问题，通过类别预测缩放降低不平衡的影响，针对四个视觉数据集进行了评估，并表明该方案对于减少主动和标准增量学习性能之间的差距产生了积极的效果。

Aug, 2020

提出了一种基于异常检测算法引导重采样策略并将其组合成子集的集成学习框架 $ASE$，在各种不平衡度、数据规模和数据维度下，实验表明该模型可以显著提高基分类器的性能且比其他现有方法更高效。

Mar, 2022

本研究调查了 Few-Shot Learning (FSL) 算法训练中 imbalanced meta-datasets 与性能之间的关系，结果表明在较小的 imbalance ratio ($ ho<20$) 下，Meta-Learning (ML) 方法比 imbalance task-level 更为鲁棒，在更大的 imbalance ($ ho=65$) 下，该结果仍然成立。这一结果表明了 ML 算法的隐含优势，在数据集不平衡和域漂移的情况下能够学习到可推广的特征。

Apr, 2021

本文提出一种基于 ISDA 算法的新方法，通过元学习自动学习转换的语义方向来扩充极少数的分类数据样本，以达到解决单纯平衡训练集情况下典型有监督学习算法表现下降问题的目的，并在 CIFAR-LT-10 / 100、ImageNet-LT 和 iNaturalist 2017/2018 数据集上进行实验验证。

Mar, 2021

本研究介绍了一种在线连续学习中使用样本重要性进行样本权重估计的策略，通过适应样本权重来提高学习性能和保留准确性。研究通过在噪声标注的数据流和标准基准测试中进行评估，旨在促进自适应连续学习领域的深入探索。

Jan, 2024

本文提出一种基于梯度元学习的嵌入式集成元学习算法 (EEML)，该算法显式地利用多模型集成将先前任务的先验知识组织成不同的特定专家，并依赖于任务嵌入聚类机制，在训练过程中将不同的任务交给匹配的专家并指导专家在测试阶段如何协作。实验证明，该方法在少样本学习问题上显著优于最近的最新技术。

Jun, 2022

本文提出了一个新颖的基于元学习的动态集成选择框架，用于提高过低训练数据量问题下的分类精度，通过五个不同类型的元特征来衡量分类器为输入样本分类的能力，并用这些元特征来训练元分类器，从而选择最有能力的分类器进行集成。

Sep, 2018

本文提出了一种基于聚类的过采样方法（Clustering Based Oversampling），该方法利用少数派样本与其聚类中心点之间的距离来生成新的少数派样本，它在不影响多数派学习的基础上，利用少数派样本的分布结构改善了在类别不平衡数据上的学习，并通过采取措施以防止异常值产生和过度拟合。深度神经网络实验结果表明，与其他合成数据采样技术相比，该方法在不同数据集上的评估指标上表现更好。

Nov, 2018

本研究提出了一种学习框架，将元样本选择问题通过严格的理论分析降低到加权 K 均值聚类问题中，提出了两种聚类方法 RBC 和 GBC 以解决 “样本权重不均匀” 问题，并在实际应用中得到了验证。

Feb, 2023

提出了一种名为 Learning To Sample 框架的新型基于学习的主动学习方法，它能够通过不确定性和多样性的优化整合来主动选择最具代表性和信息量的样本，并在图像分类、薪资水平预测和实体解析等三个任务上验证了其有效性，并且特别适用于类别高度不平衡的数据集，还能够有效解决现有主动学习方法中出现的冷启动问题。

Sep, 2019