本研究提出了一种T2ID-CAS方法，以解决颈部超声解剖标志检测中的类别不平衡问题。该方法结合了潜在扩散模型和分类意识采样，实验结果显示平均精确度达到88.2%，显著高于基线的66%，展现了在超声引导干预中的应用潜力。

本研究提出了一种新颖的混合框架MetaBoost，以解决代谢综合症预测中的类别不平衡和数据稀缺问题。通过优化合成数据生成，模型准确率提升了1.14%。反事实分析显示，血糖和甘油三酯是降低代谢综合症风险的重要指标。

本研究提出了一种增强标签的方法，以解决对抗训练中的分类性能不均衡问题。经过改进，模型的鲁棒性提高了53.50%，类别不平衡减少了5.73%，在干净样本和对抗样本的准确性上优于传统方法。

本研究提出了一种基于视频的噪声感知自适应加权方法(V-NAW)，旨在解决面部表情识别中的标签模糊和类别不平衡问题。该方法通过自适应分配每帧的重要性，显著提升了识别性能。

本研究提出了一种新颖的平衡细粒度正无标记学习框架（BFGPU），旨在解决文本分类中负文本的挑战，特别是在文本质量控制和法律风险筛选领域。该框架通过优化无标记学习损失函数，解决了类别不平衡问题，并在多个数据集上表现优越。

本研究提出了一种结合不平衡感知技术的联合训练基准，以解决少样本增量学习中的类别不平衡问题，缩小基础类与增量类的性能差距，并规范了实验设置与评估流程。

本研究探讨了可微神经符号推理的性能保障，揭示其在数据效率和可解释性方面的潜力。使用Scallop库，研究发现该方法在算术运算和高维输入下表现出较高的保障能力，并强调了解释性与对抗脆弱性之间的关系。在类别不平衡的推理问题中，数据效率的承诺通常得以体现。

本研究提出了一种新的自适应框架OE-FSMC，旨在解决因隐私和安全问题导致的类别不平衡。该框架通过整合易获取的超出分布数据，成功平衡了训练分布，并验证了其在提升模型压缩精度方面的有效性。

本研究提出了一种新框架，利用大型语言模型和平衡检索增强生成组件，解决组织化政治运动中的类别不平衡问题。该方法通过智能提示设计，显著提高了社交媒体上虚假宣传活动的检测精度和召回率。

该研究提出了一种监督对比知识蒸馏框架（SCLIFD），旨在解决有限故障数据和类别不平衡下的渐进式故障诊断问题。通过改进表示学习、减少遗忘和优化示例选择，SCLIFD有效缓解了灾难性遗忘和类别不平衡，实验结果表明其在多种数据集上表现优越。

本研究探讨了大型预训练语言模型在代码漏洞检测中的应用，微调了四种开源模型并与中型模型进行了对比，展示了其在检测代码漏洞方面的潜力，尤其针对样本长度和类别不平衡问题。研究成果可供社区使用，推动该领域发展。

本文介绍了一系列主动学习方法，旨在提高语义分割任务的效率和准确性。这些方法通过引入新算法和损失函数，减少标注成本，同时提升模型在不同数据集上的性能，特别是在处理类别不平衡和提高少数类别识别能力方面表现突出。

本研究提出EXCON方法，旨在解决太阳耀斑预测中的类别不平衡问题。通过优化类间分离性和减少类内变异性，显著提升了分类性能。实验结果表明，EXCON在多个数据集上表现优异，具有广泛应用潜力。

本研究提出了一种新框架，利用无限Laplacian特性解决半监督学习中的标签稀缺和类别不平衡问题，实验结果显示其分类准确性优于现有方法。

本研究提出了一种新的训练框架“循环保形方法”（CitL），旨在解决大规模数据集中类别不平衡和标签噪声问题。该方法通过评估样本不确定性、调整权重和剔除不可靠示例，提高模型的鲁棒性和准确性。实验结果表明，CitL在噪声和不平衡数据集中的分类准确率提高了6.1%。

本研究提出了一种新算法FedReMa，旨在解决个性化联邦学习中的类别不平衡问题。该算法通过自适应客户共学习和多样聚合策略，利用不同客户的专业知识，显著提升个性化模型的精度。实验结果表明，FedReMa在应对数据异质性挑战方面表现优越。