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

提出了一种名为 EnTDA 的数据增强方法，通过添加、删除、替换和交换实体来打破实体间的依赖关系，并采用多样性 beam search 策略增加数据的多样性，以提高在 13 个 NER 数据集上的表现。

Oct, 2022

本研究提出了一种改进的 Seq2Seq 模型（RELA），在关系抽取中应用自动标签扩充的文本生成技术，即以关系名或其同义词作为生成目标，并分析了该模型的行为。实验结果显示，相比先前的方法，RELA 在四个关系抽取数据集上取得了竞争性结果。

Dec, 2022

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

该研究使用预先训练的语言模型和选择最有信息量和多样性的生成数据的方法，比基于后翻译的现有数据增强方法表现更好，并在低资源环境下获得了更准确和稳健的学习结果。

Apr, 2020

提出了一种名为 PGA 的基于文本数据增强的框架，利用语言模型（LLMs）通过改写原始训练集样本来增加伪样本的数量，以提高科学领域关系抽取模型的性能，并通过生成含有与标签相关信息的句子来指导 LLMs 生成更多的伪样本，实验证明 PGA 框架可以显著提升科学领域关系抽取模型的 F1 分数，并且使用 LLMs 获取样本还能有效降低手动标记数据的成本。

May, 2024

本篇研究项目中，我们通过控制文本生成的最新技术，进行了高质量的数据增强，同时引入了模型架构的小而显著的改变，从而使得数据插值后进行更多的训练数据生成。这些数据增强方法，结合了稳健性训练，得到了在四个基准数据集上半监督关系提取的非常有竞争力的结果。

Jun, 2023

本文提出了数据增强关系提取方法（DARE），通过对 GPT-2 进行适当微调来生成特定关系类型的示例以增加训练数据，结合金标准数据集训练基于 BERT 的关系分类器，实验结果显示该方法的优越性并在三个生物医学关系数据集上取得了新的最佳结果。

Apr, 2020

本论文介绍了两种新的用于远程监督下关系抽取的单词注意模型，同时提出了一种组合模型，并在多个真实数据集上进行了广泛的实验来证明这些方法的有效性。

Apr, 2018

本文介绍了一种名为 DSGAN 的对抗学习框架，通过使用生成对抗网络 (GAN) 的思想学习以句子级别为真正样本的情况下，如何筛选出远程监督训练数据集中的噪声实例，从而提高关系提取的性能。实验结果表明，该方法显著提高了远程监督关系提取的效果。

May, 2018