非均匀类别核心集选择：表征类别困难以实现数据高效迁移学习

本研究解决了迁移学习中样本选择的效率问题，提出了一种新的非均匀类别核心集选择（NUCS）框架。该方法结合了类别级和实例级标准，以更好地代表少数类别，从而在保留仅30%样本的情况下，实现与全数据训练相当的准确性，并减少60%的计算时间。