本文提出了一种新的自然语言处理数据增强技术，称为 “实体感知数据增强（EADA）”，它通过应用实体感知语法树（EAST）来生成大量的训练实例，从而用于意图检测和槽填充，实验证明该技术在精度和泛化能力方面均优于现有的数据增强方法。

Sep, 2022

本研究针对基于标记序列的命名实体识别任务，设计并比较了数据增强技术的效果。通过在生物医学和材料科学领域的两个数据集（i2b2-2010 和 MaSciP）上进行实验，我们表明简单的增强技术可以提高循环模型和基于 Transformer 模型的性能，尤其是对于小训练集的情况。

Oct, 2020

本研究提出了一种名为 GDA 的专用增强技术，该技术使用两个互补的模块来保留句子的语义一致性和语法结构，在低资源环境下取得了 2.0％的 F1 改进。

May, 2023

提出 EDA 方法来增强文本分类任务的性能，包括四种简单但强大的数据增强操作：同义词替换、随机插入、随机交换和随机删除，在五个文本分类任务中，展示了 EDA 对于卷积神经网络和循环神经网络性能提升的效果。EDA 特别适用于小型数据集。使用 EDA 方法在 50％可用的训练集上训练时，平均而言可以达到使用全部数据正常训练的准确性水平。此外，还进行了大量消融研究，并提供了实际使用的参数建议。

Jan, 2019

提出了 $LLM-DA$，这是基于大型语言模型的一种新的数据增强技术，适用于少样本的命名实体识别任务，并实验证明该方法在有限数据情况下能有效提升模型性能。

Feb, 2024

本文提出了一种名为基于提示排序的数据增强方法（PODA），使用于预训练语言模型在低资源环境下执行少样本命名实体识别任务，PODA 方法通过提供不按来源序列严格排序但合理多样化的目标实体序列来训练模型，可以加强在各种 NER 任务中的效果表现。

May, 2023

本研究提出了一种基于语言模型的数据增强方法，可以生成高质量的合成数据以提高机器学习性能，在监督和半监督学习环境下，实验结果表明，在给定较少的训练数据的情况下，该方法可以始终优于基准方法。

Nov, 2020

本文提出了一种名为 AEDA 的数据增强技术，通过在原始文本中随机插入标点符号来改善文本分类任务的性能，相比于 EDA 方法，AEDA 更易于实现，而且在句子中改变单词位置时保留词序，从而导致更好的泛化性能。实验结果表明，在使用 AEDA 增强数据训练的情况下，该模型在五个数据集中表现出优异的性能。

Aug, 2021

本研究探讨了在低资源条件下如何使用数据增强技术来提高命名实体识别任务的性能，并比较了简单的掩码语言模型替换和基于句法树变异的数据增强方法，以保持增强后句子的语言连贯性。

Aug, 2022

本文讨论利用数据增强技术来提高命名实体识别的召回率，同时介绍了如何通过提供更多的局部上下文来解决某些歧义问题。

Feb, 2023