假设平台有海量正常交易，却只有少量可疑交易。想判断两类交易的整体分布是否不同，直接把它们交给分类器，分类器可能只偏向数量更多的一边；为了凑平衡而丢掉正常交易，又会浪费信息。这篇论文关注的正是这种“多数很多、少数很少”的分布检验问题，尤其面向图、文本等结构复杂的数据。
作者提出 EIAD-C2ST。它基于分类器两样本检验（C2ST）——给两组数据贴上来源标签，让分类器判断每条数据来自哪组；如果明显优于随机猜测，两组分布就可能存在可识别差异。方法里最关键的一步，是把多数样本切成多个规模相近的数据块，分别与少数样本组成较平衡的子问题，再让多个分类器在共同留出的样本上给出证据。由于这些证据共享数据、彼此并不独立，方法还会专门校准后再聚合，并交换训练集与测试集的方向，以减轻一次随机切分带来的波动。
换句话说，它没有合成少数样本，也没有把多数数据扔掉，而是把“多出来的数据”整理成多轮检验机会。作者称该框架可适配不同分类器和数据形态，并给出样本失衡比例持续增大时的理论保证；不过现有材料未披露实验增益的具体数字。