本文研究了物理模型替代建模中的数据生成不平衡问题，提出了一种自适应采样算法（ASADG），通过优化输入数据选择，提高了替代建模的准确性和效率。研究表明，ASADG在数据生成方面优于传统方法。

提出了一种结合不确定性和多样性准则的类别平衡动态获取（CBDA）方法，以解决类别不平衡问题。该方法在高预算下提升了少数类别的性能，mIoU分别提高了0.6、1.7和2.4，最优模型超越全监督基准，显示了平衡标注的优势。

本文研究了表格数据中的自我监督学习不平衡问题，特别关注自编码器。提出了一种新的平衡学习的度量方法：多重监督平衡MSE。实验证明该方法在数据不平衡和学习不充分时表现更好。