不平衡数据在分类时往往会偏向"多数"，传统过采样生成的样本不能较好的表达原始数据集分布特征.改进的变分自编码器结合数据预处理方法，通过少数类样本训练，使用变分自编码器的生成器生成样本，用于以均衡训练数据集，从而解决传统采样导致的不平衡数据引起分类过拟合问题.我们在UCI四个常用的数据集上进行了实验，结果表明该算法在保证准确率的同时提高了F_measure和G_mean.

过采样和数字滤波有助于降低对ADC前置的抗混叠滤波器的要求。重构DAC可以通过类似的方式运用过采样和插值原理。例如，数字音频CD播放器常常采用过采样，其中来自CD的基本数据更新速率为44.1 kSPS。早期CD播放器使用传统的二进制DAC，并将“0”插入并行数据中，从而将有效更新速率提高到基本吞吐速率的4倍、8倍或16倍。4×、8×或16×数据流通过一个数字插值滤波器，产生额外的数据点。高过采样速率将镜像频率移动到更高位置，从而可以使用较为简单、成本更低、过渡带更宽的滤波器。此外，由于存在处理增益，信号带宽内的SNR也会提高。Σ-Δ型DAC架构使用高得多的过采样速率，将这一原理扩展到极致，因而在现代CD播放器中颇受欢迎。

在线交易中的欺诈检测：使用欺诈检测比率小于0.00005的Anamoly检测技术（例如过采样和欠采样）来检测在线交易中的欺诈，因此，仅应用分类算法可能会导致过度拟合

很好的AD过采样技术文档，很值得一看。很好的AD过采样技术文档，很值得一看。

高精度光纤陀螺过采样技术分析与应用

采用过采样技术和FFT算法提高测量动态范围.doc

此示例展示了如何对具有不平衡训练数据集的图像进行分类，其中每个类别的图像数量与类别不同。 两种最流行的解决方案是下采样和过采样。 在下采样中，每个类别的图像数量减少到所有类别中的最小图像数量。 另一方面，执行过采样时，每个类别的图像数量增加。 这两种策略对于不平衡的数据集都是有效的。 下采样的实现很简单：只需使用 splitEachLabel 函数并指定类的最小数量，但是，过采样需要更复杂的编码类型。 此代码不使用无法与增强数据存储关联的转换数据存储。 这意味着，到 2020 年，使用转换数据存储执行数据增强变得困难。

使用过采样提高STM32F101xx和STM32F103xx的ADC分辨率

MapReduce 使用 Hadoop 实现随机过采样、随机欠采样和“合成少数过采样技术”（SMOTE）算法 大数据的随机过采样：MapReduce 的近似 随机过采样 (ROS) 算法已适应于遵循 MapReduce 设计来处理大数据，其中每个 Map 进程负责通过少数类实例的随机复制来调整映射器分区中的类分布，Reduce 进程负责收集每个映射器生成的输出以形成平衡数据集。 该过程如图 1 所示，包括四个步骤：初始、映射、缩减和最终。 图 1：ROS MapReduce 设计如何工作的流程图。 大数据的随机欠采样：按照MapReduce程序选择样本 适用于处理大数据的随机欠采样 (RUS) 版本遵循 MapReduce 设计，其中每个 Map 进程负责按类对其数据分区中的所有实例进行分组，Reduce 进程负责收集每个映射器的输出并平衡通过随机消除多数类实例来形成平衡数据集的类分布。

采用过采样技术提高ADC分辨率,原理值得参考 。