本研究通过组合神经网络分类器和生成对抗网络技术提出了一种联合数据集修复策略，用于解决数据集不平衡所导致的性能下降和数据偏差问题，实验证明这种方法可以提高分类器和生成对抗网络的鲁棒性。

Aug, 2020

在信用卡欺诈检测中，机器学习被广泛运用，但因为样本集类别分布存在不平衡，这可能导致模型预测全部为多数类别而无法推广到真实情况。因此，我们使用生成对抗网络来生成一些少数类别虚拟数据，以缓解类别分布不平衡问题，从而更有效地学习数据。

Jun, 2022

分类问题中存在类别不平衡的情况，而数据又是为了提高准确性而设计的，类别不平衡可能导致几个类别的错分代价更高，本文综述了不平衡数据分类领域的研究，讨论了数据层方法、算法层方法和混合方法等三个主要方面，并总结分析了现有方法的问题、算法思想、优势和劣势，另外还讨论了类别不平衡数据分类的挑战与解决策略，方便研究人员根据实际需求选择适用的方法。

Oct, 2023

本文提出了一种基于改进的 CTGAN 的故障诊断方法，通过添加一个特定类别分类器和基于残差网络的判别器生成对抗网络，提供了一种可以学习磁盘故障数据内部信息的方法。实验结果表明，RCTGAN 合成的数据进一步提高了分类器的故障诊断精度。

Oct, 2023

本研究提出了一种使用生成对抗网络来处理视觉数据集中类别不平衡问题的方法，通过在原有网络中加入分类器网络和一些附加条件，实现了在极端视觉分类任务上的最佳表现。

Dec, 2020

该研究提出了一种基于条件数据生成对抗网络 (CTGAN-RU) 的交通事故数据生成方法，通过数据平衡和合成数据生成，用于交通事故严重性建模，结果表明使用 CTGAN-RU 生成的合成数据在交通事故严重性建模中优于使用原始数据或其他采样方法生成的合成数据。

Apr, 2024

使用深度生成模型生成平衡数据，并提出的偏差缓解损失函数能够在非平衡数据集上改善公平性指标，同时保持图像质量。

Aug, 2023

本研究探讨了生成对抗网络（GANs）在不平衡数据集中的应用，旨在增强 GANs 在此类数据集中的性能和稳定性。通过引入一种称为 Damage GAN 的新型网络架构，该架构建立在 ContraD GAN 框架之上，无缝融合了 GANs 和对比学习，我们利用对比学习训练判别器以发展出能够区分所有提供的样本的无监督表示。通过模仿直观的对比学习视觉表示框架（SimCLR），我们提出了一种独特的损失函数，并探索了自我损伤对比学习（SDCLR）的实现，以进一步增强 ContraD GAN 模型的优化。与基准模型，包括深度卷积 GAN（DCGAN）和 ContraD GAN 进行比较评估，证明了我们提出的模型 Damage GAN 在应用于不平衡数据集时在生成的图像分布、模型稳定性和图像质量方面具有明显优势。

Dec, 2023

本文提出了一种利用平衡生成对抗网络（BAGAN）进行数据增强的方法，通过包含绝大部分类别的图片，生成模型学习到大多数类别的有用特征，并利用类别条件来驱动生成过程。在不平衡的数据集中，本方法生成的图像质量更优。

Mar, 2018

本研究旨在解决分类任务中不平衡数据的问题，并评估 SMOTE、ADASYN 和 GAN 技术在生成合成数据以解决类别不平衡和提高分类模型在低资源环境下的性能方面的适用性。

Jun, 2023