比较新的论文引用较少，网上具体的算法介绍就更少，这里我就当为自己做了一些烂笔头的工作。有什么错误的地方恳请指正
MWMOTE全称—Majority Weighted MinorityOversampling Technique for ImbalancedData Set Learning
这篇论文是一篇IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING，中科院二区，影响因子3.438的文章
算法介绍如下：
1）少数类的样本总数记为Smin
对每个属于少数类Smin的样本根据欧式距离计算它的k1个邻居，其中属于少数类的记为NN（xi）
2）若NN（xi）=0表示第i个少数类样本附近的k1个邻居没有少数类样本，该样本为噪声样本
用Sminf代表Smin去掉噪声样本后剩下的样本数量
3）对每个属于少数类Sminf的样本根据欧式距离计算它的属于多数类的k2个邻居，记为Nmaj（xi）
4）将3）的结果取并集得到多数类边界数据集，记为Sbmaj
5）对每一个属于Sbmaj的样本根据欧氏距离计算它的属于少数类的k3个邻居，记为Nmin（yi）
6）将5）的结果取并集得到少数类信息集，记为Simin
7）对于每一个属于Simin的样本，根据样本所在位置距离和密度因素计算信息权重Iw（yi，xi），距离多数类样本越近密度越低越容易抽到
8）9）步骤相当于归一化的步骤，用当前的信息权重除以总的信息权重得到每个xi的选择权重，即被选到去合成新样本的概率
10）将Smin聚类成M个簇，依概率从Simin抽取样本，再从M个簇中随机选择样本进行SMOTE式的插值，重复10）直到满足要达到的数量为止。
伪代码如下：