综述：数据均衡策略：重采样与增强方法的系统性综述

《Machine Learning and Knowledge Extraction》：Data Balancing Strategies: A Systematic Survey of Resampling and Augmentation Methods

　　

不平衡数据集，即某一类别样本数量显著多于其他类别的情况，仍是机器学习中持续存在的挑战，常使预测偏向多数类并降低分类器性能。本文对数据均衡方法进行了全面、系统的回顾，其范围超越了基础过采样技术，如合成少数类过采样技术（Synthetic Minority Oversampling Technique, SMOTE）及其变体（例如边界SMOTE（Borderline SMOTE）、K均值SMOTE（K-Means SMOTE）和安全级别SMOTE（Safe-Level SMOTE）），还涵盖了先进自适应方法（MWMOTE、AMDO）、深度生成模型（生成对抗网络（Generative Adversarial Networks, GAN）、变分自编码器（Variational Autoencoders, VAE）和扩散模型）、欠采样技术（NearMiss、Tomek Links）、组合/混合方法（SMOTE-ENN、SMOTE-Tomek和SMOTE+OCSVM）、集成策略（SMOTEBoost、RUSBoost、平衡随机森林（Balanced Random Forest）和单面选择（One-Sided Selection））以及针对多标签和聚类数据的专用方法。除描述性分类外，本综述批判性审视了每种方法的潜在假设、操作机制及对多样数据特征的适用性，包括高维性、混合特征类型、类别重叠与噪声。关键发现表明，不存在普适最优的单一方法；最优选择严重依赖于数据集特征、分类器选择与评估指标。文末明确了新兴研究方向，包括用于不均衡的自监督学习、基于扩散的生成式过采样、保持分布的重新采样、面向不均衡部署的知识蒸馏，以及基础模型对偏斜分布的适配，为实践者提供了实用指南和未来方法学发展路线图。

本文主体部分依照系统文献综述方法论展开，构建了涵盖六组 taxonomic groups 的分类体系，并对各类数据均衡策略进行了深入的技术剖析与批判性讨论。

1. 1.
   引言（Introduction）
   该部分指出不平衡数据集导致分类器偏向多数类的问题，明确重采样分为过采样与欠采样两大路径，并引入深度学习生成模型以强化合成数据能力。遵循 PRISMA 2020 准则，研究团队实施了系统性文献检索协议：聚合去重后获 1307 篇独特记录；经标题摘要筛选排除 852 篇，留存 455 篇全文；成功获取 454 篇全文，依据纳入排除标准最终纳入 291 篇合格论文。通过定量论文评分框架（Quantitative Paper Scoring Framework, QPSF）从五个维度（算法机制与样本生成设计 AMSG、结构架构与集成整合 SAEI、实证严谨性与基准效度 ERBV、数据复杂性鲁棒性 RDC、实际可部署性与可扩展性 PDS）进行加权评价，推导出 SAEI（0.38）与 PDS（0.23）为高权重维度。基于三层分层标准——算法核心机制、架构耦合、数据约减策略——将 116 项主要研究划分为六个最终组别：合成过采样（第1组）、生成模型（第2组）、欠采样（第3组）、组合/混合方法（第4组）、集成策略（第5组）及多标签专用方法（第6组）。
2. 2.
   合成过采样技术（Synthetic Oversampling Techniques）
   本节以 SMOTE 为基本范式，阐述其经由插值公式 x_new = x_i + δ · (x?_i ? x_i) 生成合成样本的机制。随后系统评述了 K-Means SMOTE（依簇不平衡比靶向过采样）、Safe-Level SMOTE（借安全级别比率约束邻域噪声）、环绕邻域 SMOTE（SN-SMOTE，以质心邻近保障空间均匀分布）、单纯形 SMOTE（Simplicial SMOTE，基于重心坐标的高阶几何结构采样）、正态 SMOTE（NSMOTE，插值权重量化自正态分布）、改进 SMOTE（MSMOTE，按安全/边界/潜伏噪声样本差异化处理）、边界 SMOTE（Borderline SMOTE，专注 DANGER 集边界实例）、实例加权 SMOTE（依托分类回归树混淆度赋权）、自适应加权 SMOTE（AWSMOTE，引入 SVM 超平面变量权重与支持向量优选）、自适应邻域选择 SMOTE（ASN-SMOTE，剔除噪声后自适应择邻）、进阶 SMOTE（A-SMOTE，经阈值 τ 滤除近多数类伪样）、SMOTE-迭代划分滤波（SMOTE-IPF，先过采样后借 C4.5 集成清洗）、特征加权 SMOTE（FW-SMOTE，以诱导 Minkowski OWA 距离替代欧氏度量）、SMOTE-中心偏移因子（SMOTE-COF，借中心偏移因子锁定稀疏区）、自适应合成采样（ADASYN，按局部学习难度动态配给合成数）、SOS-BUS（SMOTE 搭配边界欠采样）、SVM-SMOTE（数据级平衡耦合代价敏感学习）、SMOTE-NC（处理连续与分类混合属性）、离群检测过采样（ODBOT，借蝙蝠算法与曼哈顿距甄别簇异常）、以及自适应过采样族（含 MWMOTE 依近邻距逆权硬例、AMDO 基于马氏距与异质值差度量、SAO 超球面防重叠、A-SUWO 半无监督层次聚类）。批判性分析指明上述方法普遍存在过拟合风险、概率校准缺失、可解释性弱、参数敏感及高维假设脆弱等局限。
3. 3.
   用于数据过采样的生成技术（Generative Techniques for Data Oversampling）
   研究人员梳理了变分自编码器（VAE）的概率编码—解码结构与 KL 散度损失，DeepSMOTE 在潜空间实施 SMOTE 以避免像素空间维度灾难，生成对抗网络（GAN）极小极大博弈目标，Wasserstein GAN（WGAN）以推土机距离替 Jensen-Shannon 散度，条件 GAN（cGAN）引辅助信息调控，自适应加权 GAN（AWGAN）融密度实例权于对抗生成，生成矩匹配网络（GMMN）借最大均值差异避对抗训练，合成数据保险库（SDV）维系关系库统计架构，高斯混合模型采样（GMMSampling）依子概念安全级过重，局部分布自适应过采样（LAMO）拟边界种子配局部 GMM。批判章节归纳模式崩溃、条件训练偏移、VAE 先验失配、扩散模型迭代代价高昂等挑战，并建议传统过采样与生成模型杂交、采用嵌套交叉验证及据域选构。
4. 4.
   欠采样技术（Undersampling Techniques）
   文中列举随机欠采样为基线，簇基欠采样（CBUS）按簇内多数比留样并施五选策略（SBCNM 等），NearMiss 族依距少数类远近判选，实例硬度阈值（IHT）跨折验证估误删硬例，人工蜂群采样（ABC-Sampling）以前向搜索优择多数信息样，随机欠采样 + OCSVM 剔异再平衡，邻域清洗规则（NCR）与压缩最近邻（CNN）及编辑最近邻（ENN、RENN）清噪，Tomek Links 解链去界，单面选择（OSS）合 CNN 与 Tomek 优留。局限讨论揭示信息遗失、簇质依赖及重叠区去留悖论。
5. 5.
   组合/混合方法（Combination/Hybrid Methods）
   该节阐明 SMOTE-ENN 与 SMOTE-Tomek Link 先后施行生成与清洗，SMOTE+OCSVM 滤离群后插样，混合自然邻 SMOTE（HNaNSMOTE）免设 k，HADAB 批式 ADASYN，ESMOTE+SSLM 同步删边，CSBBoost 与 HCBOU 经轮廓权簇均衡多类，AHS-BiLSTM 时序双向记忆耦采，DiSMHA 扩散与 SMOTE 特征级序贯增强，SMOTE-Trans-CWGAN 及全局拆分 WGAN-GP 保时态隐私。批判指出顺序致算耗、参敏无准及泄露隐患，荐以表示表导用。
6. 6.
   集成策略（Ensemble Strategies）
   打包法含平衡随机森林（BRF）各自助平衡、平衡装袋（Under/Roughly Balanced Bagging）、SMOTEBagging 动态率增、邻域平衡装袋（NBBag）、SMOTE-ICS-Bagging 适选、交叉验证委员会（CVC）；提升法含 SMOTEBoost 每轮插样、RUSBoost 简速随机削多、RHSBoost 双类 ROSE 核密成样、EUSBoost 遗传演择、DataBoost-IM 硬例双生；另述弥补式集成（Imputation-Based）及 EasyEnsemble 与 BalanceCascade 级联删正。批判称算负、缺渐近界、过配潜危，给出图 3 决策流并荐嵌套验配。
7. 7.
   面向多标签与聚类数据的集成采样（Ensemble Sampling for Multi-Label and Clustered Data）
   借标签幂集随过（LP-ROS）、多标随过（ML-ROS）、幂集随欠（LP-RUS）、多标随欠（ML-RUS）阐明 25% 阈增删逻辑，批判点出标共现损 LP、独立破 ML 联、组合爆炸及无原则参，劝用 REMEDIAL 或 MLSMOTE 内折重评。
8. 8.
   讨论与结论（Discussion and Conclusions）
   藉信用卡欺诈与欺诈预言两集实验证得：K-Means SMOTE 与 MSMOTE 择据器而异、欠采样险废、PR-AUC 敏分、清增优叠。理论根基表重平衡渐近似复制而非真创，指需严框。三类器—采互作（方差偏倚、噪扩、维咒）导出表 22 依归纳偏选路。实务矩阵表 23 映维、叠、噪、算配法。前瞻八向：端深联合、代价敏补、知识蒸馏多师、自监督不均、扩散过采、表架重思、基础模型偏调及综框，标志静态数据均衡向动态模型觉策略嬗变。