研究人员正在开发新的方法来解决不平衡回归问题，这是一个挑战，其中稀有但重要的数据点会影响模型性能。一种方法提出了一个统一的框架，结合了数据级和算法级平衡技术，利用自适应分箱、表示学习和一种新颖的损失函数。另一项研究通过扩展核密度估计并将分层收缩集成到 Hoeffding 树中，来探索流式数据设置中的不平衡回归。两篇论文都旨在提高连续数据流中代表性不足的案例的预测准确性。 AI
影响 不平衡回归的发展可以提高 AI 模型在数据分布偏斜的实际场景中的可靠性。
排序理由 该集群包含两篇讨论不平衡回归新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.01221v1 Announce Type: cross Abstract: Imbalanced learning is a critical challenge in machine learning, where underrepresented target values can bias models and degrade prediction performance on rare but important cases. Although extensively studied in classification, …
arXiv:2602.22101v3 Announce Type: replace-cross Abstract: Many real-world applications generate continuous data streams for regression. Hoeffding trees and their variants have a long-standing tradition due to their effectiveness, either alone or as base models in broader ensemble…