本研究深入分析了困难标签在多标签分类中的影响，并提出了一种新的解决方法，通过 SCUMBLE 和 REMEDIAL 度量标签的并发性并解耦高度不均衡的标签。

Feb, 2018

研究分类问题中遇到的数据不平衡的情况，讨论了文献中提出的一些重新采样技术，并研究了它们对分类性能的影响。

Aug, 2016

研究了不平衡数据集下使用不同的重采样方法对分类准确性的影响，并比较了重采样方法的优缺点。

Jul, 2017

本文研究了从多标签流数据中进行不断学习的挑战，探讨了在长尾标签分布下灾难性遗忘和少数概念上的破坏性遗忘，提出了一种名为 Partitioning Reservoir Sampling (PRS) 的新抽样策略来防止这种遗忘，并开放了数据集和代码。

Sep, 2020

本文通过比较分析 40 个来自不同应用领域的数据集，研究了不平衡数据分类的各种因素对过采样和欠采样技术的有效性的影响，提出了基于性能度量的自动最优采样策略选择模型，可以在不同领域中选择最合适的方法。

Dec, 2021

本文探讨了针对文档分类中的数据不均衡和概念漂移问题，通过运用不同的优化算法进行处理，发现基于不变风险最小化和谱解耦算法优于现有基于采样的方法，尤其在少数类的情况下表现更加优越。

Mar, 2022

本文提出了一种名为标签分布学习的新型学习范式，旨在解决标签重要性分布的问题。文章提出了六种工作 LDL 算法，并选择了六种代表性和多样化的评估措施，比较了这些算法的性能。实验结果表明，算法设计对 LDL 问题的特征非常重要，实现了性能上明显的优越性。

Aug, 2014

使用自适应估计技术估计正负样本比率，通过随机标签屏蔽技术优化训练过程，提出了一种通用的 Partial Label Masking 方法，从而平衡类别样本不均导致的性能下降问题，该方法在多标签和单标签分类数据集上，比现有方法表现更好。

May, 2021

为了解决深度学习在类别分布不平衡的情况下训练表现差的问题，本研究提出了两种新的方法：一、设计了基于理论的标签分布感知边界 (LDAM) 损失函数；二、提出了一种简单而有效的训练策略来推迟重新加权，并在减轻权重的复杂性的同时实现模型对初始表示的学习，实验结果表明这两种方法能够提高模型性能。

Jun, 2019

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