不平衡分类领先
该模型通过双重代价机制动态调节样本重要性，有效缓解类别不平衡问题，在不牺牲计算效率的前提下提升分类性能。
Li, Yanting · Yuan, Zhang · Yiping, Gao · Yusha, Wang · Jin, Junwei · 孙晓云 · Philip Chen, Chun Lung Philip
Pattern Recognition 2026
采用基于密度的代价机制，结合局部邻域结构和全局不平衡信息动态调整样本重要性，并借助F-measure最大化惩罚优先少数类。
在35个二元数据集上取得90.69%的平均F-measure、92.77%的平均G-mean和93.24%的平均AUC，多类设置下也始终超越最先进基线。
采用交替方向乘子法（ADMM）求解相关优化问题，具有理论收敛性保证，且计算效率经实验验证。