深度分析
合成少數樣本過採樣無效？新研究揭露二十年類別不平衡學習的驗證偏差
一項來自 ArXiv 的最新研究，對過去二十年來在類別不平衡學習中廣泛使用的合成少數樣本（如 SMOTE 及其變體）提出了根本性的質疑。研究團隊指出，傳統的合成樣本有效性驗證存在嚴重的「父母洩漏」偏差：由於合成點是從真實少數樣本之間內插產生，其最近的鄰居往往是生成它的母體樣本，導致驗證結果形同虛設。
深度分析
一項來自 ArXiv 的最新研究，對過去二十年來在類別不平衡學習中廣泛使用的合成少數樣本（如 SMOTE 及其變體）提出了根本性的質疑。研究團隊指出，傳統的合成樣本有效性驗證存在嚴重的「父母洩漏」偏差：由於合成點是從真實少數樣本之間內插產生，其最近的鄰居往往是生成它的母體樣本，導致驗證結果形同虛設。
深度分析
隨著網路威脅與流量類別不平衡問題日益嚴峻，研究提出 GTCN‑G 結合門控時間卷積與圖形卷積，並加入 GAT 殘差機制保留特徵資訊。實驗在兩大基準資料集上顯示其在二元與多類別偵測上均達到最新最佳表現。
深度分析
在聯邦持續學習中樣本重放常受動態異質性影響。FEAT 透過幾何結構對齊與能量校正兩模組，提升特徵一致性並減少類別偏差。實驗證實其在不平衡資料下顯著提升模型表現。