データバランシング戦略：リサンプリングとオーギュメンテーション手法に関するシステマティックな調査

概要: クラスの一方が他のクラスを大きく上回る不均衡データセットは、機械学習において持続的な課題であり、多くの場合、予測が多数派クラスに偏り、分類器の性能を低下させます。本論文は、合成少数派オーバーサンプリング手法（Synthetic Minority Oversampling Technique: SMOTE）やその派生（例：Borderline SMOTE、K-Means SMOTE、Safe-Level SMOTE）のような基礎的手法を超えて、データバランシング手法を包括的かつ体系的にレビューします。具体的には、高度な適応的手法（MWMOTE、AMDO）、深層生成モデル（生成敵対ネットワーク、変分オートエンコーダ、拡散モデル）、サブサンプリング手法（NearMiss、Tomek Links）、組み合わせ／ハイブリッド手法（SMOTE-ENN、SMOTE-Tomek、SMOTE+OCSVM）、アンサンブル戦略（SMOTEBoost、RUSBoost、Balanced Random Forest、One-Sided Selection）、さらに多ラベルデータやクラスタ化データに特化したアプローチまでを対象とします。記述的な分類を超えて、本レビューでは各手法の前提、動作メカニズム、ならびに高次元性、混在する特徴タイプ、クラスの重なり、ノイズといった多様なデータ特性に対する適合性を、批判的に検討します。主要な発見として、単一の手法が常に他を普遍的に上回るわけではないことが示されており、最適な選択はデータセットの特性、分類器の選択、評価指標に強く依存します。本論文は、出現しつつある研究方向として、不均衡に対する自己教師あり学習、拡散に基づく生成的オーバーサンプリング、分布を保持するリサンプリング、非均衡環境でのデプロイ向けの知識蒸留、さらに偏った分布への基盤モデルの適応を挙げ、実務者への実用的ガイドラインと今後の方法論的発展に向けたロードマップを提示して結論づけます。