SMOTE用了20年几乎成了不平衡学习的“标配”工具。但用过的朋友都知道它在类间重叠严重的数据上经常“帮倒忙”——插值出来的合成样本直接掉进正常样本的地盘模型被这些“假异常”带偏。这篇论文给了我一个很务实的启发与其抛弃SMOTE另起炉灶不如给它装上“眼睛”和“大脑”让它学会“看路”再插值。这种“老骨架新器官”的改进思路在工程场景下比花哨的新方法更靠谱。写这篇解读是想把这个思路分享给同样被不平衡数据困扰的朋友。以下是对原论文解读的PDF欢迎大家下载阅读下载链接https://download.csdn.net/download/2301_76342249/93064385希望对大家有所帮助。