研究表明，在现代长尾学习任务中，重新取样可以极大地提高泛化性能，但也可能学习到与目标标签无关的错误关联。为了防止学习到错误关联，本文提出了一种新的上下文转移增强模块，通过维护从头类别图像中提取的上下文库为尾类别生成多样化的训练图像。实验证明，我们提出的模块能够提升泛化性能，并优于其他方法，包括类别平衡重新取样、解耦分类器重新训练和数据增强方法。

Oct, 2023

通过迭代数据混合的马尔科夫决策过程（MDP）来解决不平衡数据集的问题，并通过使用数据扩充策略训练一个数据扩充策略并设计一种奖励信号，探索分类器的不确定性并鼓励性能提升，不考虑分类器的收敛，从而展示了解决具有不同类别少数样本的不平衡数据集的潜力和前景。

Aug, 2023

本文分析了大量过采样方法，并提出了一种新的基于隐藏部分多数类样本进行比较的过采样评估系统。我们的实验证明，所有研究过的过采样方法生成的少数类样本最有可能是多数类。因此，我们认为当前形式和方法的过采样不可靠，并在真实世界应用中应避免使用。

Feb, 2022

本文提出了一种新方法，通过在特征空间中使用来自具有丰富样本的类别所学习的特征来增强特征空间中的欠表示类别，从而解决长尾分布问题。通过使用类别激活映射，将每个类别的特征分解为类别通用和类别特定部分，并将欠表示类别的类别特定特征与混淆类别的类别通用特征融合，实时生成新样本。结果表明，在 iNaturalist、ImageNet-LT、Places-LT 以及 CIFAR 的长尾版本等数据集上，本文所提出的方法展现了最先进的表现水平。

Aug, 2020

通过引入多个放弃类来扩展内分布类空间并通过虚拟标签训练识别 OOD 数据的检测器，以及通过将图片叠加到具有丰富上下文的 OOD 数据以增强对尾类特征的注意力，我们提出的方法在长尾 OOD 检测任务中表现优于最先进方法，并可作为现有长尾学习方法的附加模块，显著提升 OOD 检测性能。

Dec, 2023

本研究中，我们解耦学习过程，系统地探索不同平衡策略如何影响长尾识别的表示学习和分类器。我们的发现表明，数据不平衡在学习高质量表示方面可能不是问题，在使用最简单的实例平衡抽样进行学习表示的情况下，只需调整分类器就能实现强大的长尾识别能力，甚至可以胜过精心设计的损失、采样策略以及使用记忆组件的复杂模块。

Oct, 2019

本文提出了一个简单而有效的辅助学习方法，通过对神经网络进行分类器和特征提取器的拆分，并针对每个部分采用不同的训练策略，如采用类平衡采样方案来提高对尾部类别的重视，并通过自监督学习进一步提高性能，从而解决了类别不平衡问题。

Dec, 2019

本文提出了一种基于三方博弈的凸生成器算法，通过在深度学习系统中处理类别不平衡，在类别边界附近生成人工样本，从而优化分类器的性能。对多个类别不平衡的图像数据集进行的实验证实了算法的有效性。

Mar, 2019

本文介绍了一种从不平衡数据集中构建分类器的方法，通过在少数类过抽样和多数类欠抽样的组合使用，可以在 ROC 空间中实现比 Ripper 方法和朴素贝叶斯更好的分类器性能。

Jun, 2011

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