假设要从一万笔交易里找出几笔欺诈，但每笔交易又有几十项特征。此时，少数类样本甚至比特征还少，普通逻辑回归——用多项特征估计“欺诈或非欺诈”概率的模型——很容易出现分离：某些特征组合把两类完全隔开，导致模型系数趋向无穷。常见的 SMOTE 会在少数样本之间插值造数据，但这些合成点仍被困在原有样本张成的低维空间里，补不出缺失方向。
Chongsun Park 提出的 Zero-Complement Extrapolation 换了信息来源：不再围着稀少且不稳定的少数类打转，而是观察大量多数类分布的边缘。论文证明，在特征服从多元高斯分布且数据遵循逻辑回归模型时，多数类因分类机制形成的均值偏移，经过协方差校正后，能指向真实分类边界的法线方向；合成少数类则从多数类的高分位边缘向外推，并加入按协方差缩放的离散度，以保持各方向都有变化。作者称，模拟及两个基准数据集的实验中，该方法比 Firth 回归和 SMOTE 更稳定、F1 分数更高。不过材料未给出具体提升幅度，而且核心证明依赖上述分布与模型假设。