Model-Agnostic Meta Learning for Class Imbalance Adaptation

Este artigo introduz o Hardness-Aware Meta-Resample (HAMR), uma estrutura unificada que aborda a adaptação à desequilíbrio de classes e à dificuldade dos dados em tarefas de PNL. HAMR utiliza otimizações de dois níveis e um mecanismo de reamostragem consciente da vizinhança para priorizar amostras difíceis e classes minoritárias, demonstrando melhorias substanciais em diversos conjuntos de dados desequilibrados.