我正在研究具有分层类结构的多类文本分类问题：每个文本示例的 super 类和 sub 类。我想做的是：根据文本预测超类，然后预测子类。为此，我需要执行以下操作：
不幸的是，某些超级类的示例数量很少-一个类中最多可以包含1个示例！当然，我不能在一个示例上构建预测子类的模型。唯一可以做的就是从数据集中删除此类超类。可以尝试在2个示例上构建模型（1-用于火车，1-用于测试集，并为该超类始终预测相同的唯一子类）。将示例的数量限制为3、5、10，...，这样的人口稀少的超类的模型将至少具有一定意义。
处理少量示例的问题是在模型有用性和模型性能之间进行权衡。一方面，我确实需要这些低填充的超类，因为当我获得下一个真实数据集时-肯定会有此类“麻烦”超类的示例，并且我确实希望能够为此类示例预测一个子类。另一方面，我根本无法将分类器应用于数据集，因为我无法将其正确划分为训练集和测试集（例如：超级类有100个示例，其中1个示例属于子类A，99个示例属于B类），或者由于模型无法在少数情况下学习良好而导致模型性能低下。
问题是-解决此类问题的典型方法是什么？