本文探讨了增量学习中的数据不平衡问题，提出了多种方法以提高分类器性能，包括线性模型、领域感知持续学习和动态残差分类器等。这些方法在多个数据集上表现优于现有技术，有效减轻了灾难性遗忘和长尾分布的挑战。

本文提出了一种新的基于标签比例学习（LLP）的框架，旨在提升分类器性能。研究涵盖多个领域，介绍了新算法和实验设置，解决了现有方法的问题，并提供了大规模数据集和基准测试结果，以推动LLP技术的发展。

该文章提出了一种新的学习框架——经验比例风险最小化，旨在改进基于标签比例的学习算法，广泛应用于政治、营销、医疗和计算机视觉等领域。研究引入了半监督学习和一致性正则化，显著提升了分类器性能，并提出了新的实验设置和算法框架，改善了标签比例学习的效果。

该论文提出了DreamDA框架，通过扩散模型生成多样样本和伪标签，验证了其在生成高质量图像和准确标签方面的有效性。同时，研究探讨了利用文本到图像模型生成训练数据的方法，显示出在多个任务中显著提升分类器性能的潜力。

本文介绍了一种结合EM算法和众包技术的神经网络训练模型，能够从多个标注者的嘈杂标签中进行有监督学习，捕捉标注者的可靠性和偏见。研究提出了多种方法来处理标签噪声和稀疏性问题，优化标注资源，提升分类器性能，并在多个领域取得了优异结果。

本文提出了一种评估分类器性能的新方法，利用精确度和召回率曲线，验证了其在不同数据场景下的有效性。同时，研究探讨了机器学习中的拒绝机制，提出了自我学习框架和信任得分，以提高模型的透明性和可解释性，并通过实验验证了其在多类别分类中的应用效果。

本文提出了一种结合分层抽样和控制变量技术的有效抽样与评估框架，旨在降低标注成本并提高分类器性能估计的准确性。研究表明，该方法相比随机抽样显著减少样本需求和误差，适用于有限标注资源的情况。同时，探讨了模型评估和选择的不同技术，强调了在少样本学习中任务级评估的重要性。

本文探讨了通过分层抽样等技术优化数据标注质量的方法，提出了有效的抽样框架以降低成本并提高分类器性能。研究表明，这些策略能显著减少样本需求和误差，提升准确性，尤其在医学图像分割和语义分割任务中表现突出。

本文提出了一种改进的自监督深度学习方法SINCERE，通过优化Soft-InfoNCE损失函数，解决负样本问题，提升类别嵌入的分离性和分类器性能。实验证明，该方法在多个数据集上提高了2-5%的准确度，并在下游任务中表现优越。

本文研究了标签比例学习（LLP）模型在监督学习中的应用，提出新的学习框架和算法以提升分类器性能，适用于政治、营销和医疗等领域。同时，提出改进技术以解决标签噪声问题，并评估多种先进LLP技术在大规模数据集上的表现。

本研究使用主成分分析（PCA）研究了在CIFAR-10上训练的ResNet-18的逐层学习表示对分类器性能的影响。研究发现，仅需20%的中间特征空间方差即可实现高精度分类，并且前100个主成分完全决定了分类器的性能。研究还联系了神经崩溃现象，并提供了中间神经崩溃相关现象的部分证据。

本研究使用PCA研究了在CIFAR-10上训练的ResNet-18的逐层学习表示对分类器性能的影响。研究发现，20%的中间特征空间方差即可实现高精度分类。研究结果与神经崩溃现象联系起来，并提供了中间神经崩溃相关现象的部分证据。研究还展示了利用几个代理模型来估计DNN中可能开始出现神经崩溃的聪明方法。

本研究使用PCA研究ResNet-18在CIFAR-10上的逐层学习表示对分类器性能的影响。研究发现，20%的中间特征空间方差即可实现高精度分类，前100个主成分完全决定了k-NN和NCC分类器的性能。研究还提供了中间神经崩溃相关现象的部分证据，并展示了利用代理模型来估计DNN中可能开始出现神经崩溃的聪明方法。

本文介绍了一种通过使用精确度和召回率评估曲线来更准确评估分类器性能的方法。该方法通过使用学习矢量量化的原型分类器，在不同场景和医学实际数据上进行验证，证明了其有效性。