本研究通过实验挑战了深度网络泛化不良的原因在于恢复 “正确” 特征失败的观点，并提出了一种新的领域调整回归（DARE）方法，该方法根据分布转移的新模型，通过域特定调整来统一一个规范潜在空间，并在该空间中学习预测。在有限环境下，该方法的收敛保证了最小最优预测器，相比之前的方法，该方法表现更好。

Feb, 2022

本研究在统计学角度重新审视了广泛采用的均方误差（MSE）损失函数，指出它不适用于不平衡回归问题，并提出了一种新的平衡 MSE 损失函数来解决高维度的不平衡回归训练标签分布问题。在多个实际场景中，Balanced MSE 表现卓越，是高维不平衡回归的第一个通用解决方案。

Mar, 2022

通过分析回归问题中样本分布的不平衡导致的模型倾向于忽视不常见数据且过度关注常见目标的问题，我们提出了回归问题中不平衡的首次定义，并展示其为分类中常用的不平衡度量的推广。通过这一工作，我们希望引起人们对回归不平衡问题的关注，并为未来的研究提供共同的基础。

Feb, 2024

该研究提出了一种适用于回归问题的新型混合专家方法，利用个体专家的预测不确定性作为融合的依据，实现对不平衡数据的有效学习。实验结果表明，该方法优于现有备选方案，同时产生更好的不确定性估计。

May, 2023

这篇研究论文探讨了使用高斯特征的超参数化线性模型在分类和回归任务中的表现，发现当过度参数化时，所有训练点都成为支持向量，从而演化出一个法向量的模型，比起普通的最小二乘法和解决分类问题的 SVM，更适用于两者的情况，并讨论了在不同 loss function 下，训练（优化）和测试（归纳）階段使用的方法的不同作用和特性。

May, 2020

本文介绍了一种概率深度学习模型，名为 Variational Imbalanced Regression (VIR)。该模型可以在标记分布不平衡的情况下，准确地进行回归，并自然地产生合理的不确定度估计，实验证明我们的 VIR 在准确性和不确定度估计方面均可优于现有的不平衡回归模型。

Jun, 2023

使用贝叶斯优化方法进行学习数据选择度量，可以显著提高情感分析、词性标注和语法分析等三个领域的性能。学习的度量方法不仅能够与模型、领域和任务相适应，而且能够在某种程度上用于跨模型、领域和任务的转移。

Jul, 2017

文章提出了一种新的方法 Deep Imbalanced Regression（DIR）来处理实际中连续性 target 的不均衡数据分布问题，通过分布平滑技术，使用已有数据来校准标签和学习特征的分布，同时构建了大规模的实际任务实验数据集，并在计算机视觉、自然语言处理、医疗保健等领域获得了良好的实验效果。

Feb, 2021

介绍了一种新的学习范式，名为 eXtreme Regression（XR），可用于解决大规模排名和推荐应用的问题，其中包括动态搜索广告（DSA），并提出了一种新算法 XReg，该算法能有效地训练和预测。实验结果显示，XReg 相对于极值分类器和大规模回归器和排名器都有显著提高，尤其在 DSA 方面，查询覆盖率提高了 27%。

Jan, 2020

本研究旨在定义和量化类别的语义规模，以测量各个类别的特征多样性，并提出了一种量化语义规模不平衡的方法，设计并实现了基于语义规模平衡的学习方法，在多个数据集上得到了优于传统方法的性能表现。

Dec, 2022