采用 “Deep Augmentation” 方法，通过在神经网络内部针对性地应用 dropout 实现数据增广，并采用 stop-gradient 操作进一步提高模型性能和泛化能力，在视觉和自然语言处理领域的对比学习任务中通过对 ResNets 和 Transformers 模型的广泛实验证明效果显著，与增广输入数据相比，针对深层模型的 Deep Augmentation 效果更好，而且该方法简单且对网络和数据无限制，方便集成到计算机视觉和自然语言处理流程中。

Mar, 2023

本研究旨在提出一种名为 “网络增益” 的训练方法，用于改善微型神经网络的性能，该方法采用 “反向 dropout” 增强神经网络，将小模型放在大型模型中并鼓励其作为子模型工作，最终在图像分类和物体检测等任务中改善了模型性能。

Oct, 2021

本文介绍了几种新颖的深度学习训练技术，如广义模型无关课程学习方法和级联加和增强方法，它们不仅能够提高训练效率并改善深度网络训练过程中的优化平滑度、鲁棒性，而且还能够为计算机视觉任务提供更好的预测性能和模型稳健性。

Nov, 2022

本文系统地综述了不同的图像数据增强方法，提出了分类学，分析了这些方法的优点和局限性，以及在三个典型的计算机视觉任务上所做的大量实验，包括语义分割，图像分类和物体检测。最后，我们讨论了数据增强面临的挑战以及未来的研究方向，以提出一些有用的研究指导。

Apr, 2022

提出了自适应数据增强（SPA）方法，自动和动态地选择适合的数据增强样本来训练神经网络，从而改善泛化性能，特别是在训练样本数量较少时。实验结果表明，该方法优于 RandAugment 方法。

Oct, 2020

该研究提出了一种名为 TeachAugment 的数据增强优化方法，使用对抗策略和教师模型来搜索增强，简化搜索空间设计并允许使用梯度方法更新数据增强。在图像分类、语义分割和无监督表示学习任务的实验中，TeachAugment 优于现有方法。

Feb, 2022

本文研究数据增强在图像分类中的应用，对比了多种增强技术，包括传统的裁剪、旋转和翻转以及使用 GAN 生成不同风格的图像，并提出了一种名为神经增强的方法，通过训练神经网络自学习增强，以提升分类器性能，对该方法在不同数据集上表现的优劣进行了讨论。

Dec, 2017

本篇研究探讨使用数据增强方法，如 mixup 和 syntax-breaking，对于用于源代码语言的训练数据的质量提升，结果表明这些方法可以产生更准确和稳健的模型。

Mar, 2023

本文提出了一种可微分的策略搜索方法，用于数据增强，该方法比之前的方法更快，使用的是离散参数变换的近似梯度和可分辨操作选择机制。我们的方法通过最小化增强数据与原始数据之间的分布距离来优化，比之前的工作实现了显著更快的搜索，而不会出现性能下降。

Nov, 2019

AdaAugment 是一种无需调参的创新自适应增强方法，利用强化学习根据目标网络的实时反馈动态调整个别训练样本的增强程度，通过优化策略网络和目标网络的联合来有效适应增强程度，从而在效果和效率上一致性地优于其他最先进的数据增强方法。

May, 2024