本研究提出了连续公平SMOTE（CFSMOTE），旨在解决在线流数据中的机器学习公平性和类不平衡问题。CFSMOTE通过情况测试和平衡相关组进行过采样，实验结果表明其在公平性指标上优于传统方法，同时保持良好性能。

本研究提出了一种自我训练管道，以解决通用病变检测和标记中的数据标注不足和类不平衡问题。通过有限的标注数据进行模型训练，并引入新识别的病变，采用变阈值策略显著提高了病变类别的灵敏度和整体分类表现。

本研究提出了一种关注不平衡的领域适应框架(IADA)，旨在解决医学影像中的领域偏移和类不平衡问题。通过自适应特征学习和领域对齐，显著提高了胚胎发育评估的准确性，实验结果显示准确率提高了25.19%。

本文研究了类不平衡图分类问题，提出了一种新方法C$^3$GNN，结合聚类与对比学习，提升了分类性能。实验结果验证了其优越性。

本研究提出了一种新的类不平衡跨域分布外检测方法（CCOD），通过不确定性感知自适应语义对齐网络（UASA）构建标签驱动的原型，显著提升了检测性能，实验结果表明其优于现有方法。

本研究提出了一种名为TractoEmbed的模块化多层嵌入框架，旨在解决白质束分割中的类不平衡和结构相似性问题。实验结果表明，该方法优于现有技术，具有潜在的应用价值。

本研究探讨了联邦学习中的类不平衡问题，提出了FLICKER框架，利用CKKS同态加密方案帮助客户端私密共享数据属性，以平衡数据集并提高模型准确性。实验结果表明，该方法显著提升了联邦学习的准确率。

本文探讨了主动学习算法在分类任务中的应用，提出了基于极大似然估计的两阶段算法和结合不确定性与多样性的批量学习方法。这些算法在提高模型性能和降低计算成本方面表现优越，尤其在处理类不平衡和少标记数据时效果显著。

本文探讨了活跃学习技术在文本分类中的应用，强调选择合适的文本表示、分类器和评估指标的重要性。研究结合自监督预训练和Balanced Selection算法，解决类不平衡问题，提升分类性能。此外，提出了多样性原则的查询策略和基于聚类的主动学习框架，以降低注释成本并提高学习效果。

本文提出了一种端到端的深度生成分类器，利用领域约束自编码器解决类不平衡问题，并通过对抗学习提高分类性能。研究表明，该模型在医学成像中的异常检测和图像增强方面具有潜力，能够改善深度学习算法的效果。