面向类别不平衡适应的模型无关性元学习
计算与语言
2026-04-22 v1
摘要
类别不平衡是NLP任务中普遍的挑战，显著阻碍跨不同领域和应用的鲁棒性能。我们提出一种统一框架Hardness-Aware Meta-Resample（HAMR），以适应性方式解决类别不平衡和数据难度问题。HAMR采用双层优化，动态估计实例级权重，以优先考虑真正具有挑战性的样本和少数类，同时采用基于邻域的重抽样机制放大对困难样本及其语义相似邻居的训练关注度。我们在覆盖多个任务并跨生物医学、灾害响应和情感领域的六个不平衡数据集上验证HAMR。实验结果表明，HAMR为少数类实现了显著提升，并持续优于强大的基线方法。大量消除实验表明，我们提出的模块相互协作，为性能提升贡献，并突显HAMR作为一种灵活且通用的类别不平衡适应方法。代码已公开：https://github.com/trust-nlp/ImbalanceLearning。
引用
@article{arxiv.2604.18759,
title = {Model-Agnostic Meta Learning for Class Imbalance Adaptation},
author = {Hanshu Rao and Guangzeng Han and Xiaolei Huang},
journal= {arXiv preprint arXiv:2604.18759},
year = {2026}
}
备注
Accepted to Findings of ACL 2026