Model-Agnostic Meta Learning for Class Imbalance Adaptation

Este artículo presenta Hardness-Aware Meta-Resample (HAMR), un marco unificado que aborda la adaptación al desequilibrio de clases y la dificultad de los datos en tareas de PNL. HAMR utiliza optimizaciones de dos niveles y un mecanismo de remuestreo consciente del vecindario para priorizar muestras genuinamente desafiantes y clases minoritarias, logrando mejoras sustanciales en varios conjuntos de datos desequilibrados.