本文介绍了一种解决机器学习中数据不平衡问题的新方法，该方法利用深度感知嵌入和聚类基于图像外观计算样本似然，并使用提出的广义焦点损失函数在训练过程中对样本进行不同的加权。实验证实了该方法在自动驾驶视觉数据集（包括 KITTI 和 nuScenes）上的有效性，改进了 3D 物体检测方法，在 KITTI 数据集中涉及人为稀少的类别（骑车者）上实现了超过 200% 的 AP 增益。结果表明该方法具有通用性，可以补充现有技术，并对较小的数据集和罕见类别特别有益。

Aug, 2023

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

分类问题中存在类别不平衡的情况，而数据又是为了提高准确性而设计的，类别不平衡可能导致几个类别的错分代价更高，本文综述了不平衡数据分类领域的研究，讨论了数据层方法、算法层方法和混合方法等三个主要方面，并总结分析了现有方法的问题、算法思想、优势和劣势，另外还讨论了类别不平衡数据分类的挑战与解决策略，方便研究人员根据实际需求选择适用的方法。

Oct, 2023

论文通过与神经切向核函数的关联性进行解释，给出了关于神经网络中谱偏置的全面而严格的解释，并证明了神经网络的训练过程可以沿神经切向核的不同方向分解，每个方向都有自己的收敛率，而该收敛率由相应的特征值确定。

Dec, 2019

本文提出了一种基于数据增强图的对比学习新概念，该概念能够以神经网络表示为对比学习目标提供详细的光谱分解损失，并在理论上证明了具有可验证的精度保证的特征学习方法，同时以实验证明其与一些强大基线方法相当或更好地匹配在基准视觉数据集上。

Jun, 2021

本论文中，我们提出了一种新方法来解决神经网络训练中出现的类不平衡问题，这种方法旨在画出更好的决策边界并缩放权重向量，从而实现优秀的性能结果。

Dec, 2019

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

本研究介绍了一种新颖方法，通过结合空间和频谱表示来增强领域通用医学图像分割的能力，并引入了创新的谱相关系数目标函数来提高模型对中阶特征和上下文长距离依赖关系的捕捉能力。大量实验证明，优化该目标函数能显著提高 UNet 和 TransUNet 等现有架构的泛化能力、解释能力和噪声鲁棒性，生成更可信的预测结果。

Jan, 2024

在这项研究中，我们确定了线性分类器（支持向量机）在高维度情况下的泛化曲线的确切分析表达式，并对于数据的类别不平衡性、数据的第一和第二时刻以及所考虑的性能指标的影响给出了锐利的预测。我们表明，涉及数据的欠采样和过采样的混合策略会提高性能。通过数值实验，我们展示了我们理论预测在真实数据集、更深层次的架构和基于无监督概率模型的采样策略上的相关性。

May, 2024

我们提出了一种平衡训练方法，通过衍生用于平衡训练阶段的新丢失，有效改善任何类型的不平衡学习方法的性能，从而解决了数据不平衡问题。我们的实验结果表明，所提出的损失优于现有的基于成本的损失方法。此外，我们的损失并不限于特定任务、模型或训练方法，因此可以轻松地与其他最近的重新采样、元学习和基于成本的学习方法结合使用以解决类别不平衡问题。

Oct, 2021