TailBooster: A Dual-Layer Generative Framework for Extreme Value Augmentation with Operational Validity Enforcement
TailBooster：面向极端值增强与操作有效性约束的双层生成框架
🧭 生成式数据增强 · 极端事件预测
Delft University of Technology
提出 TailBooster 双层框架，用 IQR 提取尾部训练生成模型，再用自编码器清洗，保证合成样本操作可行，极端预测 MAE 降低 47-57%
📌 工作参考价值（4 点）
- 对长尾/极端样本单独建模：可用 IQR 或业务阈值从历史中切出极端样本（大促流量峰值、黑产攻击、异常转化、长尾物品冷启动），仅用这些样本训练专用生成模型（如 Tabular VAE），比全量数据训练 GAN/VAE 更能生成高质量尾部样本。
- 生成后加可行性过滤层：在生成器后接一个自编码器，用重建误差作为操作包络，自动剔除不符合历史数据约束的合成样本；无需手工规则即可过滤不合逻辑组合（如超低价格与高成本、短浏览时长与高转化）。
- 评估增强效果直接看下游 MAE：不只评估分布相似性，而是把合成样本加入训练集，观察对极端值预测 MAE 的改善；在推荐/广告系统中可对极端延迟、极端转化等目标做类似回归评估。
- 方法模型无关、数据驱动：不依赖特定生成模型或下游模型，可嵌入现有 pipeline；在缺乏明确业务规则的场景下尤其适用。