합성 데이터 증강(Synthetic data augmentation)은 클래스 불균형(class imbalance)을 완화하기 위해 널리 사용되지만, 점수 기반 분류(score-based classification)에 미치는 이론적 효과는 여전히 제대로 이해되지 않고 있습니다. 본 논문은 합성 소수 클래스 증강(synthetic minority augmentation)이 AUROC, AUPRC, 최적 임계값 균형 정확도(best-threshold balanced accuracy), 그리고 최적 임계값 $\F_1$ 점수(best-threshold $\F_1$ score)를 포함한 임계값 통합(threshold-integrated) 및 임계값 최적화(threshold-optimized) 지표를 언제 개선할 수 있는지 규명하기 위한 프레임워크를 개발합니다. 우리는 증강의 효과를 두 가지 구성 요소, 즉 유효 클래스 가중치(effective class weighting)의 변화와 합성 분포와 실제 소수 클래스 분포 간의 불일치(discrepancy)로 분리합니다. 잘 지정된 점수 모델(well-specified score models) 하에서, 원시 추정기(raw estimator)는 이미 고려된 지표들에 대해 모집단 최적(population-optimal)인 우도비 순서(likelihood-ratio ordering)를 목표로 합니다. 결과적으로, 증강은 가능한 유한 샘플 분산 감소(finite-sample variance reduction)를 넘어 근본적인 모집단 수준의 개선을 제공할 수 없으며, 합성 분포 오차(synthetic distributional error)를 통해 추가적인 편향(bias)을 유발할 수 있습니다. 우리는 또한 잘 지정된 영역(well-specified regime)에서 원시 추정기가 이미 최적의 지표 후회율(metric-regret rate)을 달성함을 보여주는 미니맥스 하한(minimax lower bounds)을 확립합니다. 그러나 오지정(misspecification) 상황에서는 증강이 질적으로 다른 역할을 할 수 있습니다. 즉, 유효 클래스 균형(effective class balance)을 변경함으로써 제한된 클래스 투영(restricted-class projection)을 변화시키고, 원시 불균형 목적 함수(raw imbalanced objective)에 의해 유도된 순위 오류(ranking errors)를 수정할 수 있습니다. 우리는 근사 오차(approximation error), 유한 샘플 추정 오차(finite-sample estimation error), 그리고 합성 분포 오차(synthetic distributional error)의 역할을 정량화하는 명시적인 개선 경계(improvement bounds)를 제공합니다. 시뮬레이션 연구는 이론을 뒷받침하며, 잘 지정된 상황에서는 제한된 이득을, 오지정 상황에서는 유의미하지만 비단조적인(nonmonotone) 개선을 보여줍니다.