前沿技术借鉴研讨-2025.8.12 （数据不平衡问题）

Leveraging Group Classification with Descending Soft Labeling for Deep Imbalanced Regression (AAAI 2025)

论文链接：https://doi.org/10.1609/aaai.v39i19.34200

核心目标：
将深度不平衡回归（DIR）的目标分解成分类和回归任务的组合来解决DIR问题。

具体步骤：

1. 对数据按照标签进行手动分组
   【将连续回归转化成分类问题】
   【同时保留数据的序贯性】
2. 序贯组感知对比学习 -> 学习高质量特征表示
   【同组拉近特征表示，不同组推远特征表示】
   【对比损失函数优化特征表示】
3. 分类引导的多专家回归
   利用组间相似性来提高分类的准确性
   利用分类任务的输出来指导回归任务

Cluster-guided Contrastive Class-imbalanced Graph Classification (AAAI 2025)

论文链接：https://doi.org/10.1609/aaai.v39i11.33298

核心目标：
通过聚类引导的对比学习来解决类别不平衡图分类问题。

具体步骤：

1. 原始图 -> 随机增强两张视图【同一图的不同扰动，防止模型塌缩】
2. 对多数类进行聚类 -> 生成多个子类【缓解类间不平衡】
3. 子类内部采用mixup进行增强【缓解子类内样本稀疏问题】
4. 层次化子类对比学习（包括原始图像和增强视图）
   子类内角度 -> 同一子类的图样本尽可能靠近
   子类间角度 -> 同一大类的图样本尽可能靠近

LCGC: Learning from Consistency Gradient Conflicting for Class-Imbalanced Semi-Supervised Debiasing ( AAAI 2025)

论文链接：https://doi.org/10.1609/aaai.v39i20.35474

核心目标：
提出一种“先故意把模型训得更偏，再用基线图像一次性减法去偏”的新方法（LCGC）来解决类不平衡问题。

基本概念：
基线图像 -> 类别无关特征
输入图像 - 基线图像 -> 类别相关特征
数据不平衡主要依赖于类别无关特征

具体步骤：

1. 原始图像 -> 强/弱增强 -> 输入模型 -> 计算一致性损失梯度
2. 基线图像 -> 输入模型 -> Bias logits
3. 弱增强Prediction - Bias logits -> Refined prediction -> 计算弱增强Prediction和Refined prediction的去偏梯度
4. 梯度冲突检测