本研究提出了一种新技术——简约单纯形SMOTE，旨在克服现有SMOTE在不平衡学习中的局限性。该方法通过几何邻域采样生成合成点，优化了少数类与多数类的决策边界。实验结果显示其优于多种几何采样方法，并可与现有SMOTE扩展结合使用。

介绍了双分支长尾识别（DB-LTR）模型，通过不平衡学习和对比学习分支解决数据不平衡问题，提高对尾部类别的适应能力。实验证明DB-LTR在长尾基准数据集上表现出竞争力和卓越性能。

这篇论文调查了长尾视觉学习的最新进展，提出了新的分类法，并回顾了长尾学习方法的共同点和差异。同时分析了不平衡学习和长尾学习方法之间的差别，并讨论了未来方向。

本研究提出了一种高效的微调方法，将经典算法高斯判别分析（GDA）应用于图像预训练模型CLIP的下游分类任务中。该方法在少样本分类、不平衡学习和超出分布泛化等方面表现优秀，并可扩展到基于新类别的推理和无监督学习。

本研究提出了一种高效的微调方法，将高斯判别分析（GDA）应用于图像预训练模型CLIP的下游分类任务中。该方法在少样本分类、不平衡学习和超出分布泛化等方面表现优秀，并可扩展到基于新类别的推理和无监督学习。