In den meisten realen Szenarien sind beschriftete Trainingsdatensätze stark klassenunbalanciert, wodurch tiefe neuronale Netze Schwierigkeiten haben, sich auf ein ausgewogenes Testkriterium zu verallgemeinern. In diesem Paper untersuchen wir einen neuartigen, dennoch einfachen Ansatz, um dieses Problem zu mildern, indem wir seltener auftretende Klassen durch die Transformation von Proben (z. B. Bildern) aus häufigeren Klassen erweitern. Dieser einfache Ansatz ermöglicht es einem Klassifikator, allgemeiner verwendbare Merkmale seltener Klassen zu lernen, indem die Vielfalt der Mehrheitsinformationen übertragen und genutzt wird. Unsere experimentellen Ergebnisse auf einer Vielzahl von klassenunbalancierten Datensätzen zeigen, dass die vorgeschlagene Methode die Generalisierungsfähigkeit für seltene Klassen im Vergleich zu anderen bestehenden Resampling- oder Re-Weighting-Methoden signifikant verbessert. Die Leistung unserer Methode übertrifft sogar die der bisherigen State-of-the-Art-Methoden für die unbalancierte Klassifikation.