概念class imbalance / 类别不平衡问题
类别不平衡
机器学习中正负类样本数量悬殊的问题，会导致模型评估指标（如精准率）失真，常见于罕见病检测、欺诈识别等场景。
核心事实
时间轴 (近 90 天)
10月16日
跨提示推理的效果强弱与任务特征相关，当类别不平衡与视觉混淆性共同造成显著的罕见类压制时效果最强，当这种压制不存在或不明显时优势减弱甚至消失。
待验证50%
9月28日
在真实的系统综述数据中，被排除的文章数量远远多于被纳入的文章，最终被纳入的文献往往仅占总量的 1%–5%
待验证50%
9月7日
罕见疾病检测悖论的根源在于不平衡数据集，当正样本极其稀少时假阳性会严重扭曲预测
待验证50%