基于统计信息的超不平衡分类

本研究针对传统不平衡学习方法忽视的「超不平衡分类」问题，提出了一种新颖的框架。通过借鉴信息理论，研究不同损失函数的内在难度，并发展出一种新的学习目标——可调增强损失，该方法在超不平衡情况下能有效抵抗数据不平衡，并在公共和工业数据集上进行了大量实证验证。