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(IADA)框架，以解决医学影像中的领域偏移和类不平衡问题，从而提高胚胎发育评估的准确性，实验结果显示准确率提升了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。

本文提出了一种无监督的实时元损失重新加权方法，旨在降低高质量标签创建成本及标签错误对训练的影响。研究表明，该方法在自然语言处理任务中表现优异，尤其在对话建模中有效应对标签噪声和类不平衡问题，提升模型性能。

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）提升检测性能，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。

本研究提出FLICKER框架，旨在解决联邦学习中的类不平衡问题。通过CKKS同态加密保护隐私，促进客户端共享数据属性，从而提升模型准确性。实验结果表明，该方法显著提高了联邦学习的准确率。