关于不平衡数据、表示学习与 SEP 预测的综述

深度学习方法已显著推进了回归、分类和预测等多种数据驱动任务。然而，这些进展大多基于一个强但往往不现实的假设，即训练数据集就其所含目标而言是平衡的。这种与现实世界条件（数据经常是不平衡的）的不一致，削弱了此类模型在实际应用中的有效性。重新审视该假设并应对现实世界不平衡问题的方法已开始涌现，并探索解决这一挑战的途径。一个大有前景的途径是表示学习，它使模型能够捕捉复杂的数据特征并更好地泛化到少数类。通过聚焦于特征空间中更丰富的表示，这些技术有潜力减轻数据不平衡的影响。在本综述中，我们呈现了摆脱平衡数据假设的深度学习工作，采用如表示学习等策略以更好地逼近现实世界的不平衡。我们还强调了一个关键应用——SEP 预测，其中解决数据不平衡对成功至关重要。