当明智选择时，更多的数据就是你需要的：一种通用的样本有效策略用于数据增强

ACLMar, 2022

当明智选择时，更多的数据就是你需要的：一种通用的样本有效策略用于数据增强

When Chosen Wisely, More Data Is What You Need: A Universal Sample-Efficient Strategy For Data Augmentation

Ehsan Kamalloo, Mehdi Rezagholizadeh, Ali Ghodsi

TL;DR本文提出了一种名为 Glitter 的通用数据增强技术，该技术可以自适应地选择最麻烦的样本并通过优化它们来提高样本效率，从而使深度神经网络在训练过程中不会牺牲性能。

Abstract

data augmentation (DA) is known to improve the generalizability of deep neural networks. Most existing DA techniques naively add a certain number of augmented samples without considering the quality and the added computational cost of these samples. To tackle this problem, a common str

data augmentation deep neural networks sample efficiency glitter adaptive selection

发现论文，激发创造

学习更少，学得更好：有效增强对视觉强化学习的样本效率

本文探究了数据增强技术在视觉强化学习中的有效性，研究数据增强的相关特征对样本效率的影响并提出了新的操作方法 Random PadResize 和循环增强（Cycling Augmentation）以提高样本利用效率。在 DeepMind 控制套件和 CARLA 驾驶模拟器上的广泛评估表明，与先前的最先进方法相比，我们的方法实现了更好的样本效率。

May, 2023

重新思考数据增强对于强健的视觉问答的影响

提出了一种基于知识蒸馏的数据增强方法 KDDAug，通过放宽合理图像 - 问题匹配的要求，并设计了一个知识蒸馏（KD）策略生成所有生成的图像 - 问题对的伪答案，从而增强图像的数据集，以提高视觉问答（VQA）模型的泛化性能。

Jul, 2022

AdaAugment：一种无需调优的自适应数据增强方法

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

自然语言处理中的数据增强方法综述

本文综述了数据增强的三个类别：释义、加噪和采样，以及在 NLP 中的应用和挑战。

Oct, 2021

小样本基于 GAN 的数据增强中的偏差探究

本研究探讨了生成对抗网络（GAN）的数据增强中的偏见问题，通过实验设计了一种数据集筛选的流程来减少 GAN-based 数据增强方法的偏见，并最终提出了一些应对方案以减缓偏见对模型性能的影响。

May, 2019

有效课程学习中改进数据增强以提升鲁棒视觉问答

通过引入有效课程学习策略（ECL）来提高基于数据增强的视觉问答（VQA）方法，以缓解语言偏见，并通过生成额外的训练样本超出原始样本帮助消除偏见。与整个增强数据集的训练相比，我们的 ECL 策略可以通过使用更少的训练样本来进一步提高 VQA 模型的性能。

Jan, 2024

对抗数据增强用于鲁棒的说话人验证

本文提出了一种名为对抗数据增强（A-DA）的新方法，将数据增强与对抗学习相结合，通过额外的分类器对不同类型的增强进行分类，使得网络能够生成能够欺骗分类器的说话者嵌入，从而提升模型对于增强变化的鲁棒性和泛化能力。在 VoxCeleb 和 CN-Celeb 数据集上的实验证明了我们提出的 A-DA 方法在匹配和不匹配的测试条件下均优于标准数据增强方法，展示了其对于声学变化的卓越鲁棒性和泛化能力。

Feb, 2024

低资源神经机器翻译中数据增强的再思考：多任务学习方法

本文提出了一种基于多任务学习的数据增强方法，通过将目标句子的顺序进行颠倒等操作，产生不流畅的目标句子，作为辅助任务使用以加强编码器和强制解码器更多地关注源表示。在六个低资源翻译任务上的实验证明，该方法相对于以扩展经验数据分布为目标的传统数据增强方法，可以在提高翻译质量的同时提高翻译系统的鲁棒性和抗干扰性。

Sep, 2021

DADA: 可微分自动数据增强

本研究提出 Differentiable Automatic Data Augmentation (DADA) 算法，使用 Gumbel-Softmax 方法实现对离散的数据增强方法的选择，引入 RELAX 无偏梯度估计方法，提高了数据增强策略的学习效率。在 CIFAR-10、CIFAR-100、SVHN 和 ImageNet 数据集上的实验证明了该算法在达到同等精度的情况下，比现有最先进算法至少快一个数量级。同时，研究还证明了自动数据增强在预训练方面的价值。

Mar, 2020

关于生成对抗网络训练中的数据增强

本研究提出了一个称为 Data Augmentation Optimized for GAN (DAG) 的框架，用于在 GAN 训练中使用增强数据来改善原始分布的学习，通过理论分析表明该方法有效地利用增强数据来提高鉴别器和生成器的学习，并在自然图像和医疗图像数据集上证明了 DAG 的有效性和优越性。

Jun, 2020