可穿戴跌倒检测的训练数据被压缩成极小的类别均衡合成集。此前要么用人工特征配浅层分类器，要么在完整不平衡数据上训练并重采样，代价是数据量与算力。FallNest在时域与频域同时对齐合成样本与真实样本的梯度方向和嵌入分布，用类别均衡K-Means初始化，并加入多视角傅里叶增强。在SisFall、KFall、MobiFall上按受试者划分、保留自然不平衡测试集，仅用32到146个合成窗口训练10.2万参数TinyCNN，五种子平均准确率93.5%到95.8%，PR-AUC为0.89到0.98。
该工作先建立数据增强与联邦学习收敛行为的关系，指出降低标签比例不平衡可加速收敛，进而提出 DAFL：服务器在已知各客户端类别计数的条件下，以最小化增强与训练时间并约束全局类别不平衡为目标，为每个客户端-类别对分配最小增强量；在 CIFAR-10 八类、八个客户端的六种不平衡配置上，DAFL 在 D2、D4、D5、D6 取得更高少数类 F1 且训练时间更短，在 D2 上少数类 F1 为 0.183±0.055、收敛时间 188.119±86.344 秒，优于 FedProx 与 Focal Loss。
该研究在14个公开事件日志上分析业务流程延迟检测的内在难度，发现剩余时间分布强烈右偏、现有LSTM模型能拟合分布众数但在高延迟案例上表现很差，且预测误差与预测区间宽度随真实剩余时间增大而增大（14个日志中10个呈正相关），据此评估不平衡回归方法（SMOGN重采样、CSW、BMSE、EAL、SERA）仅带来有限收益，转而用生存分析模型输出的不确定性特征（预测标准差、80%与90%预测区间宽度、尾部质量等）配合CatBoost做延迟二分类，在q=0.8阈值下把平均召回率从0.21提升到0.61且精确率无显著下降。
该研究从 Google Play Store 抓取 PLN Mobile 中 EV Charging/SPKLU 功能的用户评论，以评分作为弱标签进行情感标注，在训练集上按各算法特性施加类别权重以应对类别不平衡，并比较 Logistic Regression、SVM、Naive Bayes、MLP、RNN、BiLSTM 与 DistilBERT 七种分类算法，结果显示 MLP 在验证集上取得最高宏 F1（67.80%）并被选作最终测试模型，在 286 条测试数据上达到 89.16% 准确率与 59.42% 宏 F1，说明整体分类表现较高但各情感类别之间表现尚不均衡。
该工作指出 FBCSA 与 DGWM 等半监督域泛化方法在长尾类别分布下性能显著下降，提出 IMaX：在带标签样本监督约束下最大化特征与潜在标签的互信息，并用 Tsallis α-熵替代标准边际熵项以放宽类别均衡假设；在 ESCA 组织病理与视网膜糖网分级两个模态、三种 SSL 框架与三种 SSDG 方法上，IMaX 在除一个设置外的所有设置中提升准确率，低标注情形（mL=5）最高提升 7.3 个百分点。
已读完全部报道