一种面向机器学习的少数类样本增强方法、系统、设备及存储介质

本发明属于机器学习领域，公开了一种面向机器学习的少数类样本增强方法、系统、设备及存储介质，CTGAN通过对抗训练精确拟合少数类主体数据的联合分布特性，保障生成样本的统计合理性；大语言模型突破传统插值限制，探索潜在长尾特征组合，弥补分布拟合的覆盖盲区。二者互补生成后，硬约束模块强制校验特征合法性、类型匹配及跨列逻辑一致性，消除无效样本；统一评分器以原始数据集锚定真实分布，通过阈值筛选保留高置信样本，最后经全列去重确保样本独特性。采用本方法显著提升了合成样本的多样性与有效性，突破单一生成技术的瓶颈；系统化的质量管控流程实现规模、质量与多样性三者的动态平衡，使增强样本更贴合下游分类任务需求。