本文提出了一种名为Fast AutoAugment的算法，通过基于密度匹配的更高效的搜索策略找到有效的数据扩充策略，相比于AutoAugment，该算法在各种模型和数据集上加速了搜索时间，并实现了可比较的图像识别性能。
May, 2019
本文提出一种新的数据增强算法——Population Based Augmentation(PBA)——来生成非静态的增强策略日程表，相比于目前最先进的方法AutoAugment，PBA在 CIFAR-10、CIFAR-100 和 SVHN 数据集上耗费的总计算资源少三个数量级，但性能相当。在CIFAR-10数据集上，我们实现了1.46%的平均测试误差，稍微优于当前的最先进水平。
本研究提出了一种名为RandAugment的自动数据增强技术，可解决现有方法可能面临的训练复杂度和调整正则化强度的问题，并能显著提高神经网络模型的准确性和鲁棒性。
Sep, 2019
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
通过使用对抗性方法，Adversarial AutoAugment 能够通过同时优化目标相关对象和数据增强策略搜索损失，以便更快且更有效率地完成深度神经网络的训练及图像分类任务，从而将计算成本减少12倍，时间开销减少11倍，达到了最佳的实验成果。
Dec, 2019
本文研究数据扩增的方法及其在计算机视觉任务中的效果，提出了UniformAugment，一种无需搜索阶段即可实现自动数据扩增的方法， 并通过标准的数据集和经典模型证明其有效性和高效性。
Mar, 2020
本文提出了一种以样本为基础的数据增强策略，采用元学习解决数据增强效果与样本间变异之间的平衡问题，并在CIFAR-10/100、Omniglot、ImageNet等数据集上通过实验证明了其优越性能。
Dec, 2020
AutoDO可用于深度学习模型的自动数据扩充，通过对损失权重、软标签等超参数进行联合估计来最小化测试数据和失真的训练数据之间的分布偏移，实现了偏差数据和标签噪音下的机器学习模型优化，相较于之前的方法，有着多达9.3%的准确度提升，并且在SVHN分类优化上达到了36.6%的增益。
Mar, 2021
本文提出了一种更细致的自动数据增强方法，称为Patch AutoAugment，它能够在局部区域内寻找最佳数据增强策略，并通过多智能体强化学习协作实现对整张图片的优化增强效果，实验结果表明，该方法在多个基准数据集上具有比其他最新数据增强方法更好的性能表现，且需要更少的计算资源。
Deep AutoAugment提供了一种全自动的数据增强搜索方法，通过高效的搜索方法可制定高效的数据增强策略，获得了强大的性能表现。
Mar, 2022