本文提出了一种新的成本敏感的提升方法 AdaCC，该方法不依赖于固定的错误分类成本矩阵，而是根据模型性能动态调整误分类成本，优于 12 种现有方法，在 27 个真实世界数据集上实现了稳定的改进。

Sep, 2022

本文提出了一类基于自适应正则化的代价敏感在线分类算法，并将描绘技术引入到算法中以提高效率。通过针对真实世界的在线异常检测任务的应用，证明了该算法在各种领域中解决代价敏感在线分类问题的有效性和效率。

Apr, 2018

我们针对多分类成本敏感分类问题设计了主动学习算法：通过回归每个标签的成本并预测最小值来进行预测，它只查询可能最好的标签，忽略不可能的失败者，我们证明了 COAL 可以高效地实现任何支持平方损失优化的回归函数家族；它还享有与预测性能和标签工作量相关的强大保证。我们在真实数据集上将 COAL 与被 动学习和几种主动学习基线进行了经验比较，证明在标签工作量和测试成本方面有显着的改进。

Mar, 2017

本文研究了在实际应用中，某些对抗变换的重要性可能比其他变换更高的情况下，如何衡量分类器在对抗干扰下的鲁棒性，并提出了一般性的目标函数，将 Wong 和 Kolter（2018）的鲁棒训练方法进行了改进。通过实验证明，所提出的方法可以显著降低成本敏感鲁棒错误，同时保持分类准确性。

Oct, 2018

设计了一种用于成本敏感分类的通用非参数主动学习算法，通过构建每个标签的预测成本函数的置信区间，该算法选择最具信息量的向量点，通过仅查询可能是最小的预测成本来与其交互，证明了该算法在与向量空间的交互数量方面达到了最优收敛速率，并且在对 Tsybakov 的噪声假设的一般版本中，通过边界决策的概率质量明确表征了相对于相应被动学习方法的收益，并且通过提供匹配的（仅差对数因子的）下界证明了获得上界的接近最优性。

Sep, 2023

本文提出了一种基于进化的代价敏感深度置信网络 (ECS-DBN) 方法，使用自适应差分进化来优化不平衡分类中的误分类代价，并将其应用于工具状态监测的实际数据集，证明该方法优于现有算法。

Apr, 2018

该研究提出了一种基于成本敏感深度神经网络的方法，可以在不改变原始数据分布的情况下解决类别不均衡的问题，并在六个主要图像分类数据集上进行了实验证明其明显优于现有方法。

Aug, 2015

本论文提出了一种新颖的代价敏感分类方法，称为软代价敏感分类，通过多准则优化将代价和错误率相结合，可以改善现有的代价敏感分类算法，并且可以考虑加权错误率以解决不平衡分类问题。实验结果表明，该方法在测试错误率和测试代价方面都比现有的代价敏感分类算法更优秀。

Oct, 2017

本文提出了 CUSBoost 算法，它是一种基于聚类和 AdaBoost 算法的欠采样方法，用于有效解决类别不平衡问题，实验结果表明，CUSBoost 是处理高度不平衡数据集的一个有前途的、有效的方法。

Dec, 2017

AdaBoost 不是真正的优化算法，而是一种将多个弱分类器组合成强分类器的方法，它的结果可以通过真值表进行明确计算。本研究以两个类别的问题为例，以三个二元分类器为例，与 Python 库 scikit-learn 中的 AdaBoost 算法进行比较。

Aug, 2023