A kiegyensúlyozatlan tanulással kapcsolatos kutatásom a kiegyensúlyozatlan adathalmazok által a gépi tanulásban jelentett kihívások kezelésére összpontosít. Ez a terület olyan algoritmikus adaptációkat, például speciális algoritmusokat és együttes módszereket vizsgál, amelyekkel a ferde osztályeloszlásokat lehet kezelni. Olyan mintavételi technikákat vizsgálnak, mint a túlmintavételezés, az alulmintavételezés és a szintetikus minták generálása az adathalmazok kiegyensúlyozására. Az egyensúlytalansági tanulás gyakorlati alkalmazásokat kínál a csalások felderítésében, az orvosi diagnosztikában és más, ritka pozitív eseteket tartalmazó forgatókönyvekben, amelyek célja a modell általánosíthatóságának és robusztusságának növelése a valós környezetben.