读这篇论文时，最打动我的是它的“解题顺序”——不是设计更复杂的生成模型，而是先问了一个很朴素的问题：如果故障和正常样本本身就已经混在一起了，那在它们之间插值生成的新样本，到底是故障还是正常？这个问题的答案其实很直观，但多数SMOTE变体都忽略了。作者用一个“先分离、后增强”的两步策略，把这个问题解决得干净利落。写这篇解读，是想把这种“问题分解”的研究思路分享出来，它比堆砌网络层数更有启发性。

以下是对原论文的解读，希望对大家有所帮助。

ESWA 2023论文解读：燃气轮机不平衡故障诊断的新范式——特征层SMOTE

论文信息

标题：Feature-level SMOTE: Augmenting fault samples in learnable feature space for imbalanced fault diagnosis of gas turbines

作者：Dan Liu, Shisheng Zhong, Lin Lin, Minghang Zhao, Xuyun Fu, Xueyun Liu

期刊：Expert Systems with Applications (ESWA)

年份：2023

DOI：10.1016/j.eswa.2023.122023

---

读到一篇ESWA上的文章，读完之后感触很深。这篇文章解决的是一个在工业故障诊断领域非常”扎手”的问题，类不平衡下的重叠样本数据增强。作者没有走”堆模型”的路线，而是从一个非常朴素但深刻的观察出发，设计了一套”先分离、后增强”的技术框架。这篇笔记把论文的核心思想梳理一遍，希望能帮助同样关注这个方向的朋友快速理解这篇文章的价值。

---

一、为什么我会关注这篇论文？

做故障诊断的朋友都知道，深度学习模型效果好不好，很大程度上取决于训练数据的”质量”。但工业场景下的数据质量，往往不是”噪声大不大”的问题，而是根本就没多少故障样本的问题。

燃气轮机这种高端装备更是如此。一台发动机飞个几千小时才可能出现一次故障，而且故障数据属于航空公司的核心资产，能拿到的标注样本极其有限。论文里的数据集就很典型：984个正常样本，38个排气温度指示故障（EIF）样本，25个总空气温度传感器指示故障（TSIF）样本。正常样本和故障样本的比例大约是26:1，这在工程上是非常常见但又非常棘手的情况。

更麻烦的是，故障样本不是简单地”少”，它们还和正常样本高度重叠。因为故障发生前，设备性能是逐渐退化的，故障初期的数据看起来和正常数据差别不大。这就导致了一个双重困境：类不平衡 与类间重叠。

传统方法通常只解决其中一个问题，而这篇文章的聪明之处在于，它同时解决了两个问题。这就是我想深入解读它的原因。

---

二、这个研究要解决什么问题？

2.1 燃气轮机故障诊断为什么重要？

燃气轮机是飞机的核心动力系统，工作在高温、高压、高转速的极端环境下。叶片磨损、轴承老化、传感器漂移……这些故障如果不能被及时发现，后果可能是灾难性的。

因此，早期故障诊断是保障飞行安全、降低运维成本的关键手段。如果能在故障萌芽阶段就识别出来，航空公司就可以安排预防性维护，避免空中停车甚至更严重的事故。

2.2 现有方法为什么不够用？

论文把已有的故障诊断方法分成了三大类：

第一类：基于物理模型的方法

就是建立燃气轮机的气动热力模型，通过对比实测值和模型预测值的残差来判断是否故障。这种方法的问题在于，燃气轮机的损伤传播过程极其复杂，建立一个足够精确的物理模型非常困难，而且不同机型、不同工况下模型都需要重新调整，工程落地成本很高。

第二类：传统机器学习方法

需要工程师手动从原始数据中提取统计特征（时域特征、频域特征等），然后用SVM、决策树等分类器做诊断。但如果选的特征不能准确表征设备的健康状态，整个方法就会失效。换句话说，这种方法的上限取决于工程师的经验。

第三类：深度学习方法

这是目前的主流方向。深度神经网络可以直接从原始时序数据中学习有用的特征表示，不需要人工设计特征，也不需要复杂的物理建模。但深度学习方法有一个前提假设：训练数据在各类别之间大致平衡。

现实情况是，这个假设几乎从来不成立。

2.3 核心矛盾：数据不平衡 + 类间重叠

这就引出了本文要解决的核心矛盾，论文把它概括为两个”困境”（dilemmas）：

困境一：类不平衡

故障样本远少于正常样本。深度学习模型的优化目标是最小化分类误差，而分类误差主要由数量占优的正常样本主导。模型发现”把所有样本都判成正常”就能获得很低的损失，于是就这么干了。结果是：故障样本全部被漏检。

论文中的Baseline实验完美地展示了这个问题，不做任何数据增强，模型直接把测试集中的所有样本都分类为正常，故障召回率为0%。

困境二：类间重叠

故障样本和正常样本在原始数据空间中高度重叠。这是因为故障初期的性能退化很轻微，传感器采集到的数据和正常状态差别不大。

这个重叠带来了一个非常隐蔽但致命的问题：即使你用SMOTE这类经典过采样方法生成了新的故障样本，这些合成样本很可能就”掉”在了重叠区域里。它们虽然标签是”故障”，但特征上却和正常样本非常接近，这就会误导分类器的训练。

论文用一张很直观的示意图（Fig. 1）说明了这个问题的本质：

图(a)：原始空间中，故障样本（少数类）和正常样本（多数类）高度重叠；

图(b)：在原始空间中直接用SMOTE增强后，虽然故障样本变多了，但合成样本仍然落在重叠区域，甚至让重叠更严重了；

图(c)：如果先把数据映射到一个”好”的特征空间，让不同类别的样本彼此远离；

图(d)：在这个分离的特征空间中做SMOTE，合成样本就不会和正常样本混在一起。

这个”先分离、后增强”的思路，就是本文方法的核心洞察。

---

三、已有方法为什么不行？

3.1 欠采样方法：丢了西瓜捡芝麻

欠采样的思路很简单：既然正常样本太多，那就扔掉一些，让两类数量平衡。

但问题也很明显，信息损失。你扔掉的正常样本可能包含了重要的工况信息。论文里总结的CBU、CNN-TU、NBU、UFFDFR、RIUS等方法，虽然通过各种策略（聚类中心替代、最近邻保留、相关性筛选等）试图保留”最有代表性”的正常样本，但本质上都是在做取舍，无法避免信息损失。

在燃气轮机这种数据本身就很宝贵的场景下，主动丢弃数据显然不是最优解。

3.2 传统过采样方法：在重叠区域”越帮越忙”

过采样的思路是生成新的少数类样本，而不是扔掉多数类样本。SMOTE及其各种变体（Borderline-SMOTE、SL-SMOTE、DBSMOTE、MWMOTE、OUPS、A-SUWO、NRAS等）都属于这一类。

SMOTE的基本做法是在少数类样本和其近邻之间随机插值，生成合成样本。这个思路在图像领域、表格数据领域效果不错，但在故障诊断场景下有一个致命缺陷：

它假设少数类样本之间的插值点仍然属于少数类。

当少数类样本和多数类样本高度重叠时，这个假设就不成立了。两个故障样本的连线可能穿过正常样本的”领地”，在这条线上插值生成的”故障样本”，实际上更像是正常样本。论文里说的”引入噪声样本”（introduction of noisy samples），指的就是这种情况。

更关键的是，SMOTE及其变体都没有考虑”先降低类间重叠”这个步骤。它们直接在原始空间中进行插值，而原始空间中故障和正常样本本来就是混在一起的。这就像在拥挤的地铁车厢里试图”挤出”一块空地，即越挤越乱。

论文在Table 1中系统总结了现有方法的研究空白（research gaps）：

欠采样方法：普遍存在信息损失；

SMOTE及其变体：普遍无法处理高度重叠的情况，且容易引入噪声样本；

一些改进方法（如MWMOTE、OUPS、NRAS）虽然有所优化，但仍然没有从根本上解决”在重叠区域生成样本”的问题。

3.3 为什么”在特征空间做增强”这个想法之前没人做？

其实”特征空间”这个概念在深度学习中并不新鲜。但把SMOTE从原始数据空间搬到学习到的特征空间，需要解决一个前置问题：如何学习到一个”好的”特征空间？

所谓”好的”特征空间，需要满足两个条件： 1. 同类样本聚在一起（intra-class compactness）； 2. 不同类样本彼此远离（inter-class separability）。

如果特征提取器本身学得不好，映射后的特征空间可能比原始空间还乱，那在上面做SMOTE就毫无意义，甚至有害。

所以问题的关键变成了：如何设计一个特征提取器，能够主动地把不同类别的样本”推开”？

---

四、本文的核心创新：特征层SMOTE

4.1 一个基于几何直觉的关键洞察

作者的核心洞察可以用一句话概括：

不要在混乱的原始空间里”硬塞”新样本，而是先把样本映射到一个”干净”的特征空间，再在干净的空间里做增强。

这个洞察有几何上的直观性。想象你在一张纸上画了两团颜色不同但部分重叠的点。如果直接在两团点的重叠区域画新点，你很难判断新点应该属于哪一团。但如果你能把这两团点”拉开”，让它们之间留出清晰的边界，那么在各自的区域内画新点就很安全了。

4.2 技术路线：三步走

整个框架可以概括为三个步骤（对应论文Fig. 2）：

第一步：空间映射（Space Mapping），用DSMHSA学习可分离特征空间

DSMHSA全称是Deep Siamese Multi-Head Self-Attention Network，即深度孪生多头自注意力网络。这个名字听起来复杂，但拆开来看很清晰：

Siamese（孪生网络）：两个共享权重的子网络，输入一对样本，输出它们的特征表示；

Multi-Head Self-Attention（多头自注意力）：特征提取模块，用Transformer Encoder从多维时序数据中提取时序依赖关系；

Contrastive Loss（对比损失）：训练目标，让同类样本的特征表示彼此靠近，不同类样本的特征表示彼此远离。

对比损失的数学形式很简洁：

对于一对样本，如果它们属于同一类，则损失为它们特征表示之间的欧氏距离；如果属于不同类，则损失为max(margin距离, 0)。

这意味着：  同类样本会被”拉”到一起；  不同类样本会被”推”开，但距离不会超过margin（避免过度分离导致优化困难）。

训练DSMHSA需要构造样本对。论文的样本对构造策略很有意思： 同类样本对（标签为1）：每个正常样本与其5个近邻配对；每个EIF样本与所有EIF样本配对（因为EIF样本太少，全部配对可以最大化类内紧密度）；每个TSIF样本与所有TSIF样本配对。  异类样本对（标签为0）：每个故障样本与90个近邻正常样本配对；EIF和TSIF之间全部配对。

这种构造方式确保了同类样本充分拉近、异类样本充分推远。

第二步：特征层数据增强（Feature-level Data Augmentation），在学到的特征空间里做SMOTE

DSMHSA训练完成后，所有原始样本都被映射到了一个128维（论文中的默认设置）的特征空间。在这个空间里，不同类别的样本已经彼此远离了。

接下来，在这个”干净”的特征空间中应用经典的SMOTE：  对每个少数类（故障类）样本，从其5个同类近邻中随机选一个；在和之间的连线上随机取一点作为合成样本：

其中α~U[0,1]；重复上述过程，直到故障样本数量和正常样本数量平衡。

注意关键区别：这里的SMOTE不是在原始时序数据上做的，而是在DSMHSA学到的特征表示上做的。因为特征空间里类间已经分离，所以合成样本不会”入侵”正常样本的区域。

第三步：故障分类（Fault Data Classification），用Softmax分类器做最终诊断

在平衡后的特征空间数据集上，训练一个Softmax分类器（SMC）。输入是样本的特征表示（128维），输出是三个类别的概率（正常、EIF、TSIF）。

分类器训练完成后，对于新的测试样本，先用训练好的DSMHSA映射到特征空间，再用SMC分类。

4.3 这个设计精妙在哪里？

我自己梳理了三个觉得特别妙的地方：

第一，“先分离、后增强”的顺序不能颠倒

很多研究者可能会想：能不能直接在原始数据上做增强，同时让特征提取器学习分离？论文的设计明确告诉我们：不行。因为如果原始空间中故障和正常样本重叠，增强后的合成样本只会加剧这种重叠。必须先有一个专门负责”分离”的模块（DSMHSA），把数据整理清楚，增强才有意义。

这就像整理房间：你不能在杂物堆里直接添置新家具，得先把空间腾出来。

第二，对比损失是”分离”的关键

DSMHSA之所以能学到可分离的特征空间，核心在于对比损失的设计。它不是让分类器去”识别”类别，而是让特征提取器去”区分”类别。这种”度量学习”（metric learning）的范式，比传统的”分类学习”更适合处理不平衡数据，因为它不依赖于各类样本数量的均衡。

第三，MHSANet比RNN/LSTM更适合时序特征提取

论文在消融实验中对比了用RNN、GRU、LSTM替代MHSANet的效果（Table 9）。结果显示，MHSANet在大多数评价指标上都优于传统循环网络。原因在于，燃气轮机的性能参数（EGT、N1、N2、FF）之间存在复杂的多尺度时序依赖关系，而自注意力机制可以自适应地捕捉不同时间尺度的依赖，这是RNN/LSTM难以做到的。

---

五、实验做了哪些验证？

5.1 数据集设定：真实航空数据

论文用了两个数据集做验证：

燃气轮机数据集（主要实验）

来自一家亚洲航空公司的真实运行数据，包含：984个正常样本， 38个EIF（排气温度指示故障）样本，25个TSIF（总空气温度传感器指示故障）样本。

使用5折交叉验证。以第一折为例，训练集包含787个正常样本、30个EIF样本、20个TSIF样本；测试集包含197个正常样本、8个EIF样本、5个TSIF样本。

原始数据是多维时序数据，包含4个关键性能参数：排气温度裕度（EGTM）、排气温度偏差（DEGT）、核心转速偏差（DN2）、燃油流量偏差（DFF）。通过滑动窗口（窗口长度10，步长10）构造样本。

机器人执行故障数据集（泛化验证）

来自UCI的公开数据集LP5，包含：105个正常样本 ，26个F1（底部碰撞）样本，21个F2（底部阻塞）样本 ，47个F3（部分碰撞）样本， 26个F4（工具碰撞）样本。

每个样本是6×15的力/力矩测量数据。

5.2 对比方法

设置了8组对比： 1. Baseline：直接在原始不平衡数据上训练分类器，不做任何增强； 2. SMOTE：在原始数据空间做SMOTE； 3. SL-SMOTE：只在”安全区域”做SMOTE； 4. DBSMOTE：基于密度的SMOTE； 5. MWMOTE： Majority Weighted Minority Oversampling； 6. OUPS：基于倾向得分匹配的过采样； 7. A-SUWO：自适应半无监督加权过采样； 8. NRAS：噪声削减先验合成过采样。

5.3 定量结果：燃气轮机数据集

在7个评价指标上，本文方法（Developed）全面领先：

方法	BA (%)	Precision (%)	Specificity (%)	AUCROC (%)	FNR (%)	FPR (%)	MCC(%)
Baseline	33.33	31.33	66.67	58.84	66.67	33.33	0
SMOTE	87.01	52.10	92.32	93.30	12.99	7.68	46.40
SL-SMOTE	84.66	52.22	90.86	92.79	15.34	9.14	44.19
DBSMOTE	85.97	50.81	91.21	92.95	14.03	8.79	43.28
MWMOTE	86.53	50.69	91.68	93.77	13.47	8.32	43.82
OUPS	80.71	43.32	85.91	91.66	19.29	14.09	30.73
A-SUWO	76.44	55.59	86.40	89.93	23.56	13.60	40.61
NRAS	77.99	59.04	88.76	92.36	22.01	11.24	50.37
Developed	90.38	62.30	94.40	93.79	9.62	5.60	58.10

几个值得关注的观察：

1. Baseline完全失效：BA只有33.33%，故障召回率（ROE、ROT）都是0%。这说明在不平衡数据上，深度学习模型真的会”躺平”，把所有样本判成正常就能获得很低的损失。
2. 传统SMOTE有改善但不彻底：BA提升到87.01%，但相比本文方法仍有3.37%的差距。这说明在原始空间做SMOTE虽然能缓解不平衡，但无法解决类间重叠的问题。
3. 本文方法全面最优：在7个指标中，BA比OUPS高9.67%，比A-SUWO高13.94%，比NRAS高12.39%。这个提升幅度在不平衡学习领域是相当显著的。
4. FNR和FPR最低：本文方法的假阴性率（FNR）只有9.62%，假阳性率（FPR）只有5.60%。这意味着模型既不会漏检故障，也不会把正常样本误判为故障。

从各类别的召回率来看（Table 7）：

方法	ROE(%)	ROT(%)	RON(%)
Baseline	0.00	0.00	100.0
SMOTE	92.71	84.00	84.31
MWMOTE	93.32	84.00	82.27
Developed	92.14	88.00	90.99

本文方法在ROT（TSIF召回率）和RON（正常样本召回率）上都是最优的。ROE略低于SMOTE和MWMOTE，作者分析可能是优化过程中的局部最优问题。但综合来看，本文方法在”保证不漏检故障”和”不误报正常”之间取得了最佳平衡。

5.4 AUCROC分析

本文方法的AUCROC达到93.79%，其中正常样本AUC为96%，EIF样本AUC为99%，TSIF样本AUC为94%。这说明模型对各类别的区分能力都很强，尤其是对故障样本的识别能力。

5.5 特征可视化：t-SNE告诉我们”分离”真的发生了

论文用t-SNE把高维特征降到2D空间进行可视化（Fig. 7），结果非常直观：

在原始数据空间中，故障样本和正常样本高度重叠，TSIF样本甚至几乎”淹没”在正常样本中；

在DSMHSA学到的特征空间中，三类样本明显分离，TSIF样本远离正常样本的边界，EIF样本也形成了独立的簇。

这个可视化结果有力地证明了”先分离、后增强”策略的有效性，DSMHSA确实学到了一个可分离的特征空间。

5.6 超参数分析：潜在特征维度

论文测试了从64到512的不同潜在特征维度（Table 8）：

维度	ROE(%)	ROT(%)	RON(%)	BA(%)
64	90.21	84.00	85.24	86.49
128	92.14	88.00	90.99	90.38
192	88.39	87.60	91.46	89.15
256	86.79	88.00	92.20	88.99
320	89.39	89.20	93.04	90.54
384	85.32	88.00	93.70	89.01
448	84.50	92.00	93.99	90.16
512	80.71	91.60	95.00	89.11

维度太低（如64）会丢失重要信息；维度太高（如512）会增加参数量，使训练困难。128维在综合性能上表现最佳，这也是论文的默认设置。

值得注意的是，320维在BA上甚至略超128维（90.54% vs 90.38%），但ROE下降较多。这说明不同维度在不同指标上各有优劣，需要根据实际应用需求权衡。

5.7 消融实验：特征提取器和分类器的选择

论文还做了两组消融实验（Table 9）：

替换特征提取器：用RNN、GRU、LSTM替代MHSANet - DSRNN_SMC：BA = 86.39% ， DSGRU_SMC：BA = 87.21% ， DSLSTM_SMC：BA = 85.89% ，DSMHSA_SMC（本文）：BA = 90.38%

MHSANet的优势在于可以自适应地捕捉多尺度时序依赖，而循环网络的信息传递是单向的，难以处理燃气轮机参数之间复杂的耦合关系。

替换分类器：用SVM、决策树替代Softmax分类器  DSMHSA_SVM：BA = 84.92% ， DSMHSA_DT：BA = 86.62% ， DSMHSA_SMC（本文）：BA = 90.38%

Softmax分类器在高维特征空间上的表现优于传统机器学习分类器，这与深度学习的端到端优势是一致的。

5.8 泛化性验证：机器人数据集

为了证明方法不只适用于燃气轮机，论文在机器人执行故障数据集上做了验证（Table 12）：

方法	BA (%)	Precision(%)	Specificity(%)	FNR(%)	FPR(%)	MCC(%)
Baseline	36.57	36.17	87.34	63.43	12.66	34.01
SMOTE	46.44	46.72	89.42	53.56	10.58	44.39
NRAS	42.56	41.86	88.52	57.44	11.48	40.27
Developed	64.41	67.53	92.96	35.59	7.04	62.89

本文方法的BA达到64.41%，比SMOTE高出17.97%，比最好的对比方法NRAS高出21.85%。这个提升幅度甚至超过了燃气轮机数据集上的结果，说明”先分离、后增强”的框架具有良好的跨领域泛化能力。

5.9 训练与测试损失曲线

论文展示了训练过程中训练损失和测试损失的变化（Fig. 8）。两个损失都呈现稳定下降的趋势，最终测试损失约为0.05，与训练损失差距不大。这说明模型没有严重的过拟合问题，泛化能力较好。

---

六、方法的局限和未来方向

作者在讨论部分坦诚地指出了两个主要局限：

局限一：需要一定数量的故障样本

如果故障样本数量极少（比如每类只有1-2个），DSMHSA很难学到可靠的类间边界，SMOTE也无法生成有意义的合成样本。论文提到，这种情况下诊断精度可能只能得到轻微提升甚至没有提升。

这指向了一个更具挑战性的问题：单样本或零样本故障诊断。这也是当前不平衡学习领域的前沿方向之一。

局限二：对正常样本的分类精度略有下降

由于数据增强后故障样本的权重增加，模型对正常样本的关注度相对降低，导致RON（正常样本召回率）相比Baseline有所下降。不过在工程上，“宁可误报、不可漏检”是安全关键系统的基本原则，所以这种权衡是合理的。

未来方向包括：探索更好的特征空间学习框架，进一步提升类间分离度；研究如何在增强故障样本的同时，保持对正常样本的高识别率；将方法扩展到更极端的少样本场景。

---

七、我的一些思考和收获

7.1 “问题分解”比”端到端黑箱”更有价值

这篇论文给我最大的启发是：把一个复杂问题拆成几个有明确物理/几何意义的子问题，逐个解决，往往比试图用一个端到端黑箱模型一次性解决所有问题更有效。

“先分离、后增强”这个策略，本质上就是把”不平衡故障诊断”这个问题拆成了”学习可分离特征空间”和”在可分离空间中做数据增强”两个子问题。每个子问题都有明确的优化目标和可解释的中间结果（如t-SNE可视化可以直观地看到”分离”是否发生）。

相比之下，很多深度学习论文倾向于设计越来越复杂的端到端网络，把所有模块都塞进一个损失函数里一起优化。这种”黑箱”方法虽然在某些任务上有效，但调试困难、可解释性差，而且往往难以定位问题出在哪里。

7.2 对比损失是处理不平衡数据的利器

传统的分类损失（如交叉熵）在不平衡数据上天然偏向多数类，因为多数类对总损失的贡献更大。而对比损失不依赖于类别数量的均衡，它只关心”这一对样本是否属于同一类”。

这种”成对优化”的范式，使得模型不会因为某类样本少就”忽视”它。只要构造的样本对中包含了足够的异类对（故障-正常），模型就会被强制学习区分它们。

7.3 数据增强的位置很重要

在原始数据空间做增强 vs. 在特征空间做增强，效果截然不同。这让我想到一个更一般性的问题：对于不同类型的数据，最优的增强位置在哪里？

图数据：在像素空间做增强（旋转、裁剪等）很有效，因为图像的语义信息对空间变换具有不变性；

表格数据：在特征空间做增强可能更合适，因为原始特征的物理意义可能不允许随意插值；

时序信号：本文的方法提示我们，可能需要先学习到一个”语义”特征空间，再在其中做增强。

这个”增强位置”的选择，应该是数据增强方法设计中的一个核心考量。

7.4 这篇论文的写作值得学习

和随机小波扩展那篇一样，这篇论文的写作也有很多值得借鉴的地方：

问题驱动：开篇就把燃气轮机故障诊断的重要性、现有方法的不足、核心矛盾讲得一清二楚；

动机明确：Fig. 1的四幅示意图非常直观地展示了”为什么传统方法不行”和”本文方法为什么行”；

对比充分：不仅对比了7种经典数据增强方法，还做了消融实验（不同特征提取器、不同分类器、不同维度）；

验证扎实：两个数据集、5折交叉验证、7个评价指标、混淆矩阵、t-SNE可视化、损失曲线；

坦诚局限：不回避方法的不足，明确给出改进方向。

---

八、总结

这篇论文针对燃气轮机故障诊断中”类不平衡+类间重叠”的双重困境，提出了”特征层SMOTE”框架。核心思路是先用深度孪生多头自注意力网络（DSMHSA）将原始数据映射到一个类间可分离的特征空间，再在这个空间中用SMOTE生成合成故障样本，最后用Softmax分类器做诊断。

在真实燃气轮机数据集上，本文方法的平衡准确率（BA）达到90.38%，比7种经典对比方法高出3.37%-13.94%。在公开机器人数据集上的泛化实验进一步验证了方法的通用性。

个人觉得，这篇论文的价值不仅在于提出了一种新的数据增强方法，更在于它展示了一种”问题分解”的研究范式，把复杂的不平衡学习问题拆分为”特征空间学习”和”空间内增强”两个可解释、可验证的子问题。这种思路对于其他领域的不平衡学习问题也具有借鉴意义。

---

参考文献

D. Liu, S. Zhong, L. Lin, M. Zhao, X. Fu, and X. Liu, “Feature-level SMOTE: Augmenting fault samples in learnable feature space for imbalanced fault diagnosis of gas turbines,” Expert Syst. Appl., vol. 233, Article 122023, 2023, doi: 10.1016/j.eswa.2023.122023.