摘要： 长尾不平衡数据集在分类过程中往往偏向于训练样本数量较多的类别，导致传统的分类模型在该数据集上的性能表现不佳。很少有研究同时解决长尾不平衡分类中的类重叠问题和尾部类鞍点问题，使分类结果无法达到预期效果。在不平衡数据集中，样本数量较少的尾部类可通过实验观察到具有严重的非凸性，使得这些类别在模型训练过程中容易因收敛到鞍点，而导致分类模型对尾部类的泛化能力较差。为了解决以上问题，引入递延重加权方法作为边际感知自适应加权损失函数的加权因子，并将锐度感知最小化技术与改进后的重加权损失函数相结合，有效地处理以上问题。通过在实验中与各种损失函数重加权方法进行对比，验证了所提出的方法能有效提高不平衡数据集在不同分类评价指标上的性能。

关键词: 不平衡分类, 类重叠, 鞍点问题

中图分类号: 

• TP391