提出一种新颖的双消除偏见异构协同（DHC）框架，用于半监督 3D 医学图像分割，该框架通过两种损失加权策略（DistDW 和 DiffDW）动态利用伪标签引导模型解决数据和学习偏差，并且通过协同训练两个准确的子模型显著提高，实验结果表明我们的方法克服了类别不平衡问题，优于当前的半监督学习方法，在更具挑战性的半监督设置中显示出潜力。

Jul, 2023

该论文提出了一种新的基于聚类的主动学习框架 (ALCS)，其中使用密度聚类方法探索数据的聚类结构，并引入基于双簇边界的样本查询程序以提高高度重叠类别分类的学习性能，此外，我们开发了有效的多样性探索策略来解决样本查询中的冗余问题，实验证明了该方法的有效性。

Jul, 2022

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

本研究提出一种公平的过采样技术，针对数据中存在的分类不平衡和组群不平衡问题，通过生成具有类混合特征或群组混合特征的合成数据来提高分类器的鲁棒性，并考虑原始群集分布和数据噪声来增强合成数据的有效性，实验结果表明该技术具有较好的公平性和效用性。

May, 2023

本文提出了一种基于 DCSO 框架的非监督异常检测方法，该方法能够选择出最具竞争力的基础检测器，强调数据局部性，并在十个基准数据集上进行了实验，结果表明该方法在挖掘异常对象方面具有一致的性能提升。

Nov, 2019

本文提出了 Deep Over-sampling（DOS）方法，它通过显式的、受监督的表示学习扩展了合成过采样方法，以利用卷积神经网络获取的深度特征空间，并通过 CNN 的训练和更新目标的迭代过程，使嵌入之间的类内方差较小，从而提高了深度表示的判别力。实验证明，DOS 框架不仅能够更好地解决类别不平衡问题，而且在标准平衡环境下还能提高 CNN 的性能。

Apr, 2017

该论文提出了一个新的学习框架，结合了在线集成算法和成批的代价敏感采样 / 提升算法，有效地解决了同时处理代价敏感学习和在线学习的问题。

Oct, 2013

研究提出了一种新型的样本采样算法，“SMOTE-RUS-NC”，它可以通过结合三种不同的采样技术来实现数据的平衡处理，进而提高分类算法的性能，特别是能够在高度不平衡的数据集中表现出卓越的效果。

Aug, 2022

本文提出了一种新颖的端到端深度聚类方法，采用了扩散采样和硬度感知自蒸馏策略（HaDis），通过扩散采样对实例进行对齐以提高簇内紧密度，引入硬度感知自蒸馏机制来提高样本权重的自适应调整能力，同时结合原型对比学习来增强簇间可分性和簇内紧密度，实验证明了 HaDis 方法在五个挑战性图像数据集上相比现有技术具有更优的聚类性能。

Jan, 2024

DSS 是一种新的技术，用于从数据流中选择样本来减轻增量学习中的灾难性遗忘，该方法在分离和模糊任务边界情景下比现有方法表现更好，而且更易理解和实现。

Dec, 2023