本研究聚焦于针对失衡分类模型的下采样技术，填补了优化策略的空白。提出了伪最大似然估计量，并研究了在日益失衡的数据集上其渐近正态性。研究发现，该估计量在统计准确性与计算效率之间实现了良好的平衡，且在实际应用中表现优于常见替代方案。

本研究提出了HyperSMOTE方法，用于解决超图学习中的类别失衡问题。该方法通过合成少数类节点并整合进原始超图中，平均提高了3.38%和2.97%的分类准确率。

通过自我降级的对比域自适应 (Sd-CDA) 诊断框架来处理不平衡数据下的域差异问题，首先通过基于模型剪枝的不平衡感知对比学习方法对特征提取器进行预训练，以自监督方式高效地学习特征表示；然后基于监督对比域对抗学习 (SupCon-DA) 强制将样本远离域边界，确保特征生成器生成的特征具有足够的区分性；此外，提出了剪枝对比域对抗学习...