虽然类不平衡问题在多类范式中得到了广泛的研究，但由于不平衡转移现象，其在多维分类(MDC)背景下的研究受到了限制。当样本在一个标签维度 (LD) 中属于次要类而在另一个标签维度中属于主要类时，样本作为次要类或主要类实例的分类变得不明确。以前的MDC方法主要强调实例方面的标准，忽略了维度方面的预测能力，即跨LD的平均分类性能。
为了解决这些问题，南京大学LAMDA詹德传研究团队 在 高等教育出版社和Springer Nature联合出版的《计算机科学前沿 》中发表了《多维分类》的最新研究成果。
该团队断言了维度指标在现实 MDC 应用程序中的重要性，并引入了两个此类指标。此外，该团队观察了每个 LD 内的不平衡类别分布，并提出了一种新颖的不平衡感知融合模型(IMAM)来解决 MDC 问题。
在研究中，IMAM 首先将任务分解为多个多类分类问题，为每个 LD 分别创建不平衡感知的深度模型。这种简单的方法在 LD 上表现良好，并且不会牺牲实例标准的性能。随后，IMAM 采用 LD-wise 模型作为多个教师，并将他们跨所有 LD 的知识转移到统一的学生模型。
在各种 MDC 数据集上进行了广泛的实验。结果表明，所提出的 IMAM 比其他方法有很大差距。