在机器学习实践中，“数据不平衡” 几乎是绕不开的难题 —— 当训练集中多数类样本（如电商平台的 “正常订单”）数量是少数类（如 “欺诈订单”）的数十甚至数百倍时，传统模型会天然偏向多数类，导致少数类的识别准确率显著降低。而 Wang 等人（2025）在《IEEE Transactions on Pattern Analysis and Machine Intelligence》发表的 CVS（Consistent Vector-Scaling）方法，正是针对这一痛点，通过少数类占比与置信度校准项的深度协同优化，为不平衡学习提供了新的解决方案。
一、传统方法的局限：对少数类的两种忽视
此前，不平衡学习方法主要分为数据导向、模块导向和损失导向三类，其中损失导向方法因改动小被广泛应用，但存在 “全局分析” 缺陷：
全局校准失效：模型整体校准良好时，少数类仍存在严重偏差。如 CIFAR-100 LT 数据集上，少样本类期望校准误差（ECE）达 45.5%，远高于多样本类的 5.3% ，导致少数类预测置信度虚高。
泛化边界粗糙：传统方法用全局 Lipschitz 常数约束损失，忽略类别差异。少数类因样本稀缺，logit 波动大，训练效果难以迁移到测试集。
少数类受 “样本占比低 + 置信度校准差” 双重制约，传统方法未有效解决。
二、CVS 方法的核心：用 “局部化属性” 解决
Wang 等人（2025）提出两钟 “局部化属性”，将少数类占比与置信度校准深度绑定：
1. 局部校准：让少数类的置信度提升
CVS 打破全局校准假设，为每个类别定制校准规则，关联少数类占比与置信度偏差：
假设 I：\(\mathbb{P}[y|x] \propto \kappa_y^+ \cdot \text{softmax}(f(x)_y)\)，\(\kappa_y^+\)由 “准确率 - 置信度” 回归得出，值越小说明少数类置信度偏差越大，需更多调整。
假设 II：\(\mathbb{P}[y|x] \propto \kappa_y^* \cdot f(x)_y\)，\(\kappa_y^*\)通过 “准确率 - logit” 回归估计，确保少数类获得充足特征学习权重。
基于这两个假设，CVS 设计了两类损失函数：
乘性调整损失（MLA，训练前期用）：\(L_{MLA}(f(x), y) = L_{CE}\left(f(x)_y \cdot \frac{\pi_y^\gamma}{\kappa_y^*}, y\right)\)。通过\(\pi_y^\gamma\)（\(\gamma\)为超参数）平衡少数类低占比的影响，再用\(\kappa_y^*\)修正置信度偏差，强化少数类特征学习。
加性调整损失（CLA，训练后期用）：\(L_{CLA}(f(x), y) = L_{CE}\left(f(x)_y + \tau \cdot \log\left(\frac{\pi_y}{\kappa_y^+}\right), y\right)\)。\(\pi_y\)越小、\(\kappa_y^+\)越小，给少数类的 logit 加分量越多，直接提升其预测置信度（Wang et al., 2025）。
2. 局部 Lipschitz 连续性：稳定少数类的泛化性能
为解决少数类 logit 波动大的问题，CVS 提出 “类别专属 Lipschitz 常数”（\(\mu_y\)），其定义为：
\(|L(f, y) - L(f', y)| \leq \mu_y \cdot \|f(x) - f'(x)\| \quad (x \in S_y)\)
其中，\(S_y\)为类别\(y\)的样本子集。对少数类而言，\(\mu_y\)取值更小，严格约束其 logit 的变化范围 —— 这就像给少数类的 “预测分数” 装了一个 “减震器”，防止因样本稀缺导致的泛化性能骤降（Wang et al., 2025）。
三、实践效果：少数类准确率显著提升
Wang 等人（2025）在 ResNet、ViT 等模型，以及 CIFAR-LT、ImageNet-LT、iNaturalist 等数据集上验证了 CVS 的有效性：
在 CIFAR-100 LT 数据集（不平衡比 100:1，少数类占比仅 1%）上，CVS+ADRW（ADRW 为对齐重加权策略，\(\alpha_y \propto \pi_y^{-\nu}\)）的少样本类准确率达 37.8%，优于未深度绑定占比与置信度的 VS+TLA+ADRW 方法（37.0%）。
在 ImageNet-LT 数据集（少数类占比最低仅 0.4%）上，CVS 方法的整体平衡准确率较此前工作提升 0.6 个百分点，少样本类准确率提升 1.8 个百分点。
这些结果证明，只有同时锚定少数类的 “样本占比” 与 “置信度”，才能真正解决数据不平衡问题 —— 这也让 CVS 方法在医疗影像（如罕见病灶识别）、安防监控（如稀有行为检测）等对少数类识别要求高的场景中，具备了极强的应用价值。
Wang, Z., Xu, Q., Yang, Z., Xu, Z., Zhang, L., Cao, X., & Huang, Q. (2025). A unified perspective for loss-oriented imbalanced learning via localization. IEEE Transactions on Pattern Analysis and Machine Intelligence. https://doi.org/10.1109/TPAMI.2025.3609440