孙栓柱，陈 广，高 阳，孙 彬，李 逗，杨晨琛

（1.南京大学计算机科学与技术，南京 210023；2.江苏方天电力技术有限公司，南京 211102）

数据分类问题是数据挖掘领域的典型问题，一个表现良好的分类模型，往往离不开充分的有监督数据的支持。然而在现实的应用场景之中，受限于数据标记的难度以及正负样本分布比例等一系列问题，含标记的有监督数据往往十分有限，并且这有限的标记据还会存在类别标签分布不平衡的情况。所以对于此类数据，基于其数据特点，如果将传统的分类算法应用于此类任务之中，往往会过拟合于标记数据中的多数类，难以识别出少数类，从而无法取得让人满意的效果。

针对一组给定的数据Data={(X1，Y1)，(X2，Y2)，…，(Xn，Yn)}，从而预测一个离散值的任务被称为“分类”，依照输出分类目标类别的不同，分类任务可以被分为“二分类”与“多分类”。数据分类任务的目标便是在于建立输入空间X到输出空间Y之间的映射f：X↦Y。

数据分类任务往往需要有监督数据的支撑，有监督数据质量的高低很大程度上影响着模型分类的效果。对于大多数常见的公开数据集，一般拥有着大量的数据标记样本，且样本在类别上的相对分布比较均匀。然而在现实的某一应用场景之中，数据的质量与数量往往是机器学习任务所要面临的第一个难题，这很大程度上制约了模型的效果。

现实场景下分类任务的的数据一般包含以下难题：

（1）数据的有监督信息有限。现实场景中的机器学习任务，很可能积攒了十分丰富的历史数据，然而这些数据中包含标记的数据十分有限，所以从有监督学习的角度来看，大量数据无法构造监督信息，从而造成模型仅能从有限的数据中学习特征。……