强化学习驱动的不均衡数据分类任务优化方法

本发明提供了一种强化学习驱动的不均衡数据分类任务优化方法，主要为了解决当少数类样本本身较少或分布复杂时，合成的样本可能不完全准确反映真实分布以及关键信息丢失的问题，本发明的方案设计对抗场景并引入强化学习模型辅助训练，能显著提高分类精度和模型的泛化能力；强化学习模型负责选择适当的训练样本，并基于分类器的预测结果调整参数；同时，分类器模型接收这些样本进行预测，并根据预测结果进行自身模型的更新。本发明所提出的算法在不均衡cifar‑10数据集中具有优秀的分类精度,显著优于同类的算法，并且不局限于任何特定的模型类型，从而提供了极高的灵活性和可扩展性，具备强大的应用潜力。