SMOTE 的理论和实验研究：再平衡策略的限制和比较
内容提要
该文综述不平衡数据分类的采样方法，包括SMOTE与欠采样组合、k-means SMOTE、SMOTENN、Mixup深度学习增强、SMOTE-RUS-NC及BSGAN，并探讨自动采样策略选择与过采样可靠性问题，指出这些方法可提升分类性能。
延伸解读
过采样可靠性争议
文章指出，一项2022年的研究通过隐藏部分多数类样本进行比较，发现所有研究的过采样方法生成的少数类样本最有可能属于多数类，因此认为当前形式的过采样不可靠，并建议在真实应用中避免使用。这一结论对广泛应用的SMOTE等方法提出了重要警示，读者需注意其潜在风险。
自动采样策略选择
针对不同数据集需选择不同采样方法的问题，文章提到2021年的一项研究比较了40个来自不同领域的数据集，提出了基于性能度量的自动最优采样策略选择模型。这有助于在实际应用中更高效地匹配方法，但模型依赖性能度量，需谨慎评估其泛化能力。
方法演进与组合趋势
从文章列举的方法看，采样技术从基础SMOTE与欠采样组合，发展到k-means SMOTE、SMOTENN、Mixup深度学习增强、SMOTE-RUS-NC及BSGAN等。这些方法多通过组合多种技术或引入聚类、生成模型来提升效果，反映了该领域向混合与自适应方向发展的趋势。
Q&A
SMOTE 和欠采样组合使用能带来什么好处？
在少数类过采样和多数类欠采样组合使用时，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。
k-means SMOTE 方法有什么特点？
k-means SMOTE 基于 k-means 聚类和 SMOTE 过采样，能避免产生噪音并有效解决类内和类间不平衡问题。在 71 个数据集上，它始终优于其他流行的过采样方法。
SMOTENN 方法是如何处理不平衡分类问题的？
SMOTENN 通过 MapReduce 框架将智能欠采样和过采样结合，解决不平衡分类问题。在小型和中型数据集上优于替代重采样技术，在大型数据集上效果良好且运行时间缩短。
Mixup 在深度不平衡分类中有什么作用？
通过增强传统 SMOTE 并与 Mixup 结合，提出统一的深度学习数据增强框架，在深度不平衡分类任务上具有最先进的性能，在极度不平衡数据上也达到优异效果。
SMOTE-RUS-NC 算法有什么特别之处？
SMOTE-RUS-NC 结合三种不同的采样技术实现数据平衡处理，提高分类算法性能，特别能在高度不平衡的数据集中表现出卓越效果。
如何自动选择最优的采样策略？
通过比较分析 40 个来自不同应用领域的数据集，研究各种因素对过采样和欠采样技术有效性的影响，提出了基于性能度量的自动最优采样策略选择模型，可以在不同领域中选择最合适的方法。
过采样方法可靠吗？
分析大量过采样方法后，提出基于隐藏部分多数类样本进行比较的过采样评估系统。实验证明所有研究过的过采样方法生成的少数类样本最有可能是多数类，因此当前形式和方法的过采样不可靠，在真实世界应用中应避免使用。
BSGAN 混合过采样技术效果如何？
BSGAN 结合 Borderline-Synthetic Minority Oversampling Techniques 和 Generative Adversarial Network，在四个高度不平衡数据集上测试，结果表明 BSGAN 在过采样后创建了更多元化的数据集，表现优于存在的边界 SMOTE 和基于 GAN 的过采样技术。
