本文提出了一种新的主动学习方法，通过增加较小类别的训练样本，改善了少数类别的性能。在不同预算下，模型的性能都有所提高。最优模型甚至超过了全监督基准模型。

本文介绍了量子SMOTE方法，利用量子计算技术解决机器学习数据集中的类别不平衡问题。算法通过量子过程生成合成数据点，无需依赖邻近性。旋转角度、少数类比例和分割因子等超参数提供更大的控制性和定制化。在TelecomChurn数据集上与随机森林和逻辑回归进行比较评估，验证了该方法在不同比例的合成数据下的影响。

本研究提出了一种新的混合标注方法，结合人力和大型语言模型，提高NER模型性能，解决传统标注方法的噪音和类别不平衡问题。通过多个数据集的分析，该方法在受限预算条件下始终表现出比传统标注方法更优越的性能，证明了以经济方式实现高性能NER的可行性。

该研究提出了一种针对农业视觉数据集的语义分割模型，解决了类别不平衡问题，并通过概率后处理方法提高了稀有类别的预测准确性。在CVPR 2024农业愿景挑战中获得第二名。

本研究提出了一种新的混合标注方法，结合人力和大型语言模型，提高NER模型性能，解决传统标注方法的问题。通过多个数据集的分析，该方法在受限预算条件下表现更优越，揭示了利用LLMs提高数据集质量的潜力，减轻类别不平衡问题，证明了以经济方式实现高性能NER的可行性。

该文章介绍了一种名为PGT-Aug的方法，通过生成伪LiDAR点云并进行对象级领域对齐和地图信息的上下文感知放置，解决了类别不平衡问题。实验证明了该方法在不同LiDAR配置捕获的领域差异较大的数据集上的优越性和通用性。

本文介绍了ISDL多类智能皮肤诊断框架的研究，通过自我平衡训练解决了类别不平衡问题，实现了高准确率和敏感性的多标签皮肤疾病分类。结合SHAP方法解释了深度学习模型的预测，并提出了采样分布优化策略，有望缓解医生短缺问题。

本文提出了量子SMOTE方法，通过使用量子计算技术解决机器学习数据集中的类别不平衡问题。该方法利用量子过程生成合成数据点，使得少数类数据点能够产生合成实例。算法引入了旋转角度、少数类比例和分割因子等超参数，使合成数据生成过程具备更大的控制性和定制化。在TelecomChurn数据集上与随机森林和逻辑回归进行比较评估，验证了该方法在不同比例的合成数据下的影响。

本论文介绍了一种解决图中不平衡分类问题的高效方法，通过考虑图异质性。研究发现，少数类别不仅样本稀缺，而且同质性低，导致错误信息传播。提出了一种名为Fast Im-GBK的方法，将不平衡分类策略与意识到异质性的图神经网络相结合，解决类别不平衡问题，并减少训练时间。实验证明该模型在节点分类任务中具有更好的性能和效率。

本研究提出了神经网络设计选择，对白内障手术进行了研究，并在三个语义分割任务中取得了强大的性能表现。通过处理类别不平衡问题，提出了一种在考虑不平衡成分时实现高性能的方法。代码和训练好的模型可在链接中找到。

本研究提出了神经网络设计选择，对白内障手术进行了研究，并在三个语义分割任务中取得了强大的性能表现。通过处理类别不平衡问题，实现了在最稀有的工具类上的显着性能提高。代码和训练好的模型可在链接中找到。

本文介绍了MFM元学习框架，通过调整特征和分类网络参数，优化调制参数，解决了类别不平衡问题。在视觉数据集上取得了卓越成果。