本文通过推导一种用于从不平衡数据中训练分类器的集成学习方法，比较了与其他标准方法在从二元混合数据中训练线性分类器的情况下学习不平衡数据的性能。结果表明，增加多数类别的大小可以提高性能，特别是当少数类别的大小较小时。与之相反，US 的性能不随多数类别的大小变化而变化，而 SW 的性能则随不平衡程度的增加而降低，表明集成和对参数的直接正则化之间存在固有差异。

该文介绍了一种使用Barlow Twins训练自监督编码器的技术，可以从未标记的数据中学习，减少注释样本的数量，并在语义场景分割任务中应用。实验结果表明，无监督预训练可以提高性能，特别是对于少数类别。

研究人员通过Barlow Twins训练自监督编码器进行预训练，提出了一种从未标记的数据中学习的技术，以减少注释样本数量，并在语义场景分割任务中应用。实验结果表明，无监督预训练在有监督任务上进行微调后，能够显著提高性能，尤其是对于少数类别。