通过增强传统的 SMOTE 方法并与 Mixup 结合，提出了一种统一的深度学习数据增强框架，实验结果表明该方法在深度不平衡分类任务上具有最先进的性能，并且在极度不平衡数据上也达到了优异的效果。

Aug, 2023

SMOTE 是处理不平衡数据集的常见重平衡策略，它能通过复制原始少数样本来重新生成原始分布，同时在少数分布边界附近 SMOTE 密度消失，验证了常见的边界 SMOTE 策略。我们还介绍了两种新的 SMOTE 相关策略，并将其与最先进的重平衡程序进行比较。我们表明，只有在数据集高度不平衡时才需要重平衡策略，对于这样的数据集，SMOTE、我们的提议或欠采样程序是最佳策略。

Feb, 2024

医学影像诊断日益依赖机器学习模型，然而严重不平衡的数据集和有限的可解释性一直是困扰。本文通过展示一种相对新的合成数据生成技术 STEM，演示了如何使用它来训练由语法进化（GE）产生的具有内在可解释性的模型。我们在两个数据集上进行了测试，并将结果与一组八个标准机器学习分类器的前三个表现最好的分类器的 AUC 进行了比较，结果表明 GE 衍生的模型在保持可解释性的同时具有最佳的 AUC。

Jan, 2024

本文介绍了一种从不平衡数据集中构建分类器的方法，通过在少数类过抽样和多数类欠抽样的组合使用，可以在 ROC 空间中实现比 Ripper 方法和朴素贝叶斯更好的分类器性能。

Jun, 2011

研究提出了一种新型的样本采样算法，“SMOTE-RUS-NC”，它可以通过结合三种不同的采样技术来实现数据的平衡处理，进而提高分类算法的性能，特别是能够在高度不平衡的数据集中表现出卓越的效果。

Aug, 2022

本文提出了一种基于 k-means 聚类和 SMOTE 过采样的简单有效方法，可以避免产生噪音并有效地解决类内和类间不平衡的问题，在 71 个数据集上的实验结果表明，使用所提出的方法进行训练数据过采样可以提高分类结果，并且 k-means SMOTE 方法始终优于其他流行的过采样方法。

Nov, 2017

提出一种基于 MixUp 正则化技术的平衡采样机制，称为 Balanced-MixUp，可以同时对训练数据进行正常（基于实例）和平衡（基于类）采样，使神经网络可以有效地学习高度不平衡的医学图像分类数据集。实验结果表明，Balanced-MixUp 优于其他常规采样方案和针对不平衡数据设计的损失函数。

Sep, 2021

引入了一种名为 SMOTENN 的新型重采样方法，它通过使用 MapReduce 框架将智能欠采样和过采样结合在一起，从而解决了不平衡分类问题。实验结果表明，该方法在小型和中型数据集上优于替代重采样技术，并在大型数据集上达到了良好的效果且运行时间缩短。

Oct, 2023

本文提出了量子 SMOTE 方法，该方法利用量子计算技术解决了机器学习数据集中存在的类别不平衡问题。通过使用交换测试和量子旋转等量子过程，Quantum-SMOTE 生成合成数据点，从而使得少数类数据点能够产生合成实例，而无需依赖邻近性。算法引入了旋转角度、少数类比例和分割因子等超参数，从而使合成数据生成过程具备更大的控制性和对特定数据集需求的定制化。通过在 TelecomChurn 公共数据集上与随机森林和逻辑回归等两个主要分类算法进行比较评估，该方法在不同比例的合成数据下的影响得到了验证。

Feb, 2024

通过迭代数据混合的马尔科夫决策过程（MDP）来解决不平衡数据集的问题，并通过使用数据扩充策略训练一个数据扩充策略并设计一种奖励信号，探索分类器的不确定性并鼓励性能提升，不考虑分类器的收敛，从而展示了解决具有不同类别少数样本的不平衡数据集的潜力和前景。

Aug, 2023