oversampling

提出了K-IPO，一种先生成后选择的过采样框架，在增强不平衡表格数据时保留原始数据的特征重要性排序（以肯德尔τ系数衡量），在20个数据集上展现出更优的重要性保持、解释一致性和预测性能。

提出了一种层次感知的RoBERTa框架，用于在CWE分类法中分类网络安全漏洞，表明层次感知表示学习在处理类别不平衡方面比过采样技术更有效。

RUBRIC是一个与生成器无关的过滤框架，用于不平衡分类，通过平衡实况（通过判别器）和效用（基于边界的评分）来选择合成样本，在信用卡欺诈检测等基准上提高了F1宏观和召回率。