无监督数据增强：天真增强法与无标签数据

Oct, 2020

Unsupervised Data Augmentation with Naive Augmentation and without Unlabeled Data

David Lowell, Brian E. Howard, Zachary C. Lipton, Byron C. Wallace

TL;DR本文重新审视了无监督数据增强 (UDA) 技术，并在多个序列任务上展示了其效果。该算法的一些组件对于 NLP 任务的表现是必要的，而且 UDA 并不需要复杂的数据扩充，只需要对原有数据进行随机取代并在两次预测中执行一致性损失可以得到相当好的效果。

Abstract

unsupervised data augmentation (UDA) is a semi-supervised technique that applies a →

发现论文，激发创造

该论文研究了利用少量标记数据来对无监督领域适应（UDA）进行数据中心性思考，并探究了如何优选经典的 UDA 方法的超参数和使用少量标记数据进行微调的效果。

Jun, 2022

通过可学习的数据增强技术，本文提出了一种分类框架来解决一次性无监督领域自适应问题。通过设计具有感知损失和风格转换策略的编码器 - 解码器架构，我们的方法可以学习如何增强源数据，并使其在知觉上类似于目标。该方法在 DomainNet 和 VisDA 这两个领域自适应基准数据集上取得了最先进的性能。

Oct, 2023

比较无监督领域自适应技术在两个文本分类任务（假新闻检测和偏激新闻检测）中的效果，并探讨了数据增强、聚类和主题建模与无监督领域自适应技术相结合对性能的提升。

Aug, 2023

提出了一种在输出空间中采用对比损失来最大限度地增加干净图像和其对抗性示例之间的一致性的对抗性自监督 UDA 方法，名为 ASSUDA，以提高深度神经网络对敌对示例的鲁棒性和分割任务的可靠性。

May, 2021

通过使用先进的数据增强方法 RandAugment 和后向翻译来取代简单噪声操作，在大量无标签数据上进行一致性训练，从而在六种语言和三个视觉任务中带来了显著的改进，并在 CIFAR-10 数据集上超过了所有先前的方法，实现了错误率为 5.43，只使用了 250 个示例。

Apr, 2019

本文提出将一致性正则化项加入半监督 UDA 中，通过建模网络输出元素之间的像素之间的相互关系，在 DAFormer 框架上改善了 GTA5 到 Cityscapes 数据集 19 类 mIoU 表现 0.8 和 SYNTHIA 到 Cityscapes 数据集 16 类 mIoU 表现 1.2。

Aug, 2022

本文介绍了一种基于原始数据集更清洁的假设，利用有机教师模型提供的软增强标签进行学习的数据增强即时去噪方法，并应用简单的自正则化模块来防止在噪声标签上过拟合，该方法可应用于各种数据扩充技术，可以在文本分类和问答任务中提高性能。

Dec, 2022

本研究系统地研究了简单、基于规则的图像增强方法（如模糊、噪声、色彩抖动等）对深度神经网络（DNNs）的领域内外泛化能力。实验结果表明，对多个不同的图像增强进行组合优于单独使用单个图像增强，并且与最先进的领域泛化方法相比表现相当。

Apr, 2023

本文提出了一种名为 ULDA 的无监督少样本学习框架，通过数据增强中的分布偏移建立预文本少样本任务，重视分布多样性，扩展训练而实现良好的泛化性能并获得了既定少样本学习任务中的最新结果。

Apr, 2020

本文提出一种通用的 UAD Booster 框架，利用神经网络作为模型辅助器并考虑模型间差异自动校正的方法，提高异构 UAD 模型的适应性和检测效果。

Jun, 2023