针对视觉相似度与语义相似度不匹配的问题，通过数据增强技术提出了一种混合语义增强方法，利用扩散式语义融合生成两类之间的语义混合，并将其作为扩展的数据集，实验证明该方法可以显著提高模型在语义相似类别的对齐性。

Jun, 2023

本文对图数据增强技术及其在图神经网络领域中的应用进行了综述，提出了增强信息模态分类的分类法并概括了可靠图学习和低资源图学习中的代表性应用，并回顾了已有的相关文献。最后，我们指出了未来研究中的机遇和挑战。

Feb, 2022

该研究提出了一种基于简单转换的数据集增强方法，通过在已有数据点上进行特征空间的变换，从而促进监督和无监督学习技术在静态和序列数据上的应用。

Feb, 2017

本文提出了一种联合优化模型，实现了数据增强策略和神经网络架构的端到端优化，以实现自动化神经网络训练。实验结果显示，本方法的性能优于独立搜索的结果。

Dec, 2020

通过研究数据增强技术，以解决在权重空间进行学习时所面临的过拟合问题，本文提出了一种基于混合方法的新的增强方案。评估了这些技术在现有基准以及新生成的基准上的性能，为未来的研究提供了有价值的参考。

Nov, 2023

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

本文提出了 GraphAug，一种自动化的数据增强方法，通过采用基于强化学习的训练方法最大化预测的标签不变概率，可以在大多数时候产生标签不变性数据增强，并在不同的图分类任务中优于以前的图增强方法。

Feb, 2022

本文提出了一种框架，通过融合多个数据集的标签空间进行单一目标检测，解决了不同注释数据集之间的矛盾问题，采用伪标签方法处理局部而正确的注释，提出了损失函数将伪标签与噪声控制在一个相对稳定的范围内，并通过实验表明了方法的有效性。

Aug, 2020

本文介绍了现有的图形数据增强方法，并对文献进行了结构化概括。从数据、任务和学习的角度，我们首先介绍了三种不同的分类图形数据增强方法的方法。然后，我们介绍了不同方法和应用的最新进展，并总结了一些未解决的挑战和未来研究的方向。

Feb, 2022

本研究探讨了图像对比学习在图像分类中的成功应用，并提出了一种适用于图结构数据的标签不变增强方法，旨在提高半监督学习的表现。该方法在表征空间中进行增强，仅在最困难的方向生成样本，并通过有效结合图像旋转、剪裁及翻转等形式进行实验验证。结果表明，该方法优于基于图神经网络和图对比学习的其他方法。

May, 2022