class imbalance

2 items

RESEARCHarXiv CS.CL·22/04/2026

Model-Agnostic Meta Learning for Class Imbalance Adaptation

Cet article présente Hardness-Aware Meta-Resample (HAMR), un cadre unifié qui s'adapte aux déséquilibres de classes et à la difficulté des données dans les tâches de PNL. HAMR utilise des optimisations à deux niveaux et un mécanisme de rééchantillonnage conscient du voisinage pour prioriser les échantillons véritablement difficiles et les classes minoritaires, démontrant des améliorations substantielles sur divers ensembles de données déséquilibrés.

Meta-Learning deep learning machine learning Natural Language Processing

RESEARCHarXiv CS.CL·10/04/2026

CAMO: A Class-Aware Minority-Optimized Ensemble for Robust Language Model Evaluation on Imbalanced Data

CAMO é uma nova técnica de ensemble otimizada para dados desbalanceados, que impulsiona classes minoritárias e melhora o desempenho geral. Avaliada em benchmarks com diferentes modelos de linguagem, CAMO consistentemente atinge a maior pontuação F1 macro, estabelecendo um novo padrão.

language models ensemble methods F1-score class imbalance