标题：揭示深度不平衡回归评估中的盲点（Exposing Blind Spots in Deep Imbalanced Regression Evaluation）
深度不平衡回归（Deep Imbalanced Regression，简称 DIR）针对的是回归模型一类常见却棘手的失效模式：当目标变量的分布高度不均匀时，模型会在目标值密集的区域表现最佳，即便实际任务要求模型在整个目标取值范围内都保持可靠的预测性能。换言之，模型在数据充足的区间看起来很好，但在稀有目标区域却可能严重失真——而这些稀有区域往往恰恰是运营与安全上最关键的区间。
尽管 DIR 在方法论层面进展迅速，论文作者指出，该领域的评估实践仍然受制于三个盲点：第一，评估基准以图像数据为主，数据域过于狭窄；第二，标准的 many-/medium-/few-shot（多样本/中样本/少样本）评估协议虽然具备诊断性，却并非“决策完备”（decision-complete），难以据此在不同方法和数据集之间做直接取舍；第三，DIR 所关注的尾部区域在不同随机种子下的稳定性，尚未得到系统性评估。论文正是沿着这三条轴线重新审视 DIR 的评估体系。
在数据域扩展方面，作者将 DIR 评估迁移到一个多模态虚拟传感基准 MuViS 上，包含横跨六个物理域的九个时间序列外生回归（extrinsic regression）任务。选择这一基准的理由在于：在这些任务中，稀有目标值往往对应具有实际运行意义的工况状态，因此尾部性能的好坏直接关系到系统可用性，而非仅仅是统计指标上的差异。
在评价指标方面，论文采用平衡平均绝对误差（balanced MAE，bMAE），并进一步提出平衡平均绝对尺度误差（balanced Mean Absolute Scaled Error，bMASE）。后者是一种经过尺度归一化的指标，作用是让不同方法、不同数据集之间的比较具备“决策完备性”，即能够支撑方法选择与取舍，而不仅仅是给出诊断性的描述。
在稳定性方面，作者对六种具有代表性的 DIR 方法进行了跨多个随机种子的重复再评估。结果显示，DIR 所瞄准的尾部区域对种子级别的随机波动格外敏感——也就是说，同一方法在不同随机种子下的尾部表现可能出现显著差异，而这种差异在通常的单次实验报告中被掩盖了。
论文给出三方面结论。其一，标准的虚拟传感模型存在明显的尾部性能退化，而这种退化被全局 MAE 掩盖，从全局指标上看不出来。其二，现有 DIR 方法确实能够改善平衡性能，但在向多模态时间序列数据迁移时表现并不均衡，即并非所有方法都能稳定获益。其三，尾部区域的不稳定性在当前 DIR 评估惯例下仍然是一种“基本上被隐藏的”失效模式。作者认为，这些发现连同其公开可获取的代码，为未来 DIR 研究提供了可复现的基础，推动回归系统在捕捉稀有目标工况时达到与常见工况同等可靠的水平的。
需要说明的元信息与时间线：该论文以 arXiv:2609.25152 编号发布于机器学习（cs.LG）类别，同时交叉列为人工智能（cs.AI）。提交时间为 2026 年 9 月 21 日（周一）08:51:40 UTC，版本为 v1，公告类型为 new，全文体积约 1,999 KB。作者为 Noah C. Puetz 及其他五位作者，共六人，提交人（From）为 Noah Christoph Puetz。引用格式为 arXiv:2609.25152 [cs.LG]，本版本可写作 arXiv:2609.25152v1 [cs.LG]；DOI 为 10.48550/arXiv.2609.25152，由 arXiv 经 DataCite 发放，目前状态为“待注册”（pending registration）。页面提供 PDF、实验性 HTML 版本以及 TeX 源码，并可查看该论文的许可协议。
需要留意的注意事项是：HTML 版本标注为实验性（experimental），并非最终稳定呈现；DOI 尚未完成注册；文中提到的 bMASE 为作者新引入的指标，其跨方法、跨数据集的普适性仍有待社区更多独立工作检验；同时，关于“尾部对随机种子高度敏感”的结论建立在六个代表性方法和多个随机种子的重复实验之上，其结论强度受所选取方法集合与基准范围的限制。作者强调代码已公开，正是为了让后续研究能够复现并扩展这些评估。整体而言，这篇论文并不提出新的 DIR 算法，而是把矛头指向评估方法本身，主张在数据域、评价指标与稳定性三个维度同时补强，才能让回归系统在稀有目标区间与常见目标区间上同样可靠。