本研究提出了一种新的长尾医学诊断框架（LMD），旨在解决计算机辅助诊断中的样本不平衡问题。通过关系感知表示学习和迭代分类器校准，该方法有效提升了少数类的分类效果，实验结果表明其性能显著优于现有方法。

本研究提出了一种基于均方误差的风险方法，通过将校准问题转化为回归问题，优化分类器校准的平方误差估计。利用独立同分布的输入对，显著提升了现有估计器的性能，并与核岭回归的新估计器进行了比较。

该文综述长尾识别方法，涵盖平衡对比学习（均衡梯度、多类采样）、解耦学习（表示不受不平衡影响，仅调分类器）、Balanced Softmax（解决分布不匹配）、梯度平衡聚类、Uniform Mixup与Bayes Bias（改善校准）、辅助学习（拆分分类器与特征提取器）、特征空间增强（补尾部类）、标签感知平滑与批次偏移规范化、EMANATE与Breadcrumb增强，以及元学习（估计类条件差异）。

该文介绍了一种名为 SphereFed 的联邦学习框架，通过使用球面限制措施解决了非独立分布数据的处理问题，并在最小化损失函数的过程中进行联邦学习，最终实现进一步的分类器校准。