Dec, 2022

基于混合数据增强的调查：分类、方法、应用和可解释性

PDF
TL;DR本文提供了对 Mix-based Data Augmentation 在分类，方法，应用及可解释性等方面的全面调查，为该领域的研究人员提供了有用的方向。
data augmentationmix-based data augmentationmodel generalizationtaxonomymachine learning
发现论文，激发创造
  • 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

  • 探究数据增强在不平衡数据中的作用

    本研究通过实验检验了数据增强对神经网络、支持向量机和逻辑回归模型的影响，发现它可以帮助模型更好地泛化，在处理不平衡数据分类问题时效果显著。其中一个机理是通过促进数据的差异性，使得机器学习模型能够将数据的变化与标签关联起来，从而提高了模型的泛化能力。

    Apr, 2023

  • 时间序列分类的数据增强：一份综合调查

    对于时间序列分类中的数据增强技术进行了详细研究，包括对过去十年间超过百篇研究论文中六十种不同数据增强方法的全面评估，并提出了专为时间序列分类设计的创新分类法，同时针对数据特征给出了基于实验结果的准确和实用建议。

    Oct, 2023

  • MiAMix: 通过多阶段增强混合样本数据增强方法增强图像分类

    通过引入一种名为 MiAMix 的新的 mixup 方法，将图像增强与 mixup 框架相结合，同时利用多种多样的混合方法，并通过随机选择混合掩码增强方法来改进混合方法，该研究表明 MiAMix 在提高性能的同时降低了计算负载。

    Aug, 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

  • 半监督异构图学习与多层数据增广

    该论文提出了一种名为 HG-MDA 的半监督异质图学习方法，通过数据增强、节点和拓扑增强等策略处理稀疏数据场景下异质图的信息异质性问题，采用基于元关系的关注机制和三角形边添加、删除等方式解决了负曲率问题，应用于互联网金融场景下的用户识别任务，取得了比当前 SOTA 模型更好的效果。

    Nov, 2022

  • 数据增强已死，数据增强万岁

    在这篇论文中，我们挑战了传统数据增强方法的有效性，并表明经过更多时间的微调可以抵消数据增强的效果。我们还展示了零和少量数据生成方法通过对话代理（如 ChatGPT 或 LLama2）可以提高性能，从而总结出这种形式的数据增强仍然有效，即使传统方法不起作用。

    Feb, 2024

  • 何时学习什么：模型自适应数据增强课程

    模型自适应数据增强（MADAug）是一种通过训练数据增强策略网络来向模型教授何时学习何事的方法，旨在优化泛化性能。MADAug 通过模型自适应策略在训练阶段选择每个输入图像的增强操作，构建逐步优化的数据增强课程。在多个图像分类任务中，MADAug 在性能上超过或与其他基线方法相媲美，并且在所有类别中都能带来改进，特别是对于难分类的类别。此外，MADAug 的策略在转移到细粒度数据集时表现更好，逐渐引入越来越大的扰动，并自然地形成一个从简单到困难的课程。

    Sep, 2023

  • 数据增强综述

    数据增强是一系列通过操作现有数据样本生成高质量人工数据的技术，利用数据增强技术可以显著提高人工智能模型在涉及稀缺或不平衡数据集的任务中的适用性，从而大大提高模型的泛化能力。本文提出了一个更具启发性的分类法，该分类法涵盖了不同常见数据形式的数据增强技术，并通过一种统一的归纳方法对这些方法进行了分类。

    May, 2024

  • TransformMix: 从数据中学习变换和混合策略

    数据增强通过合成更多的训练样本提高深度学习模型的泛化能力。TransformMix 是一种自动化方法，通过应用学习到的变换和混合扩增策略来创建具有正确和重要信息的混合图像，从而提高性能。

    Mar, 2024