Jul, 2023

基于实验增强的数据驱动建模双有源桥变换器调制策略

PDF
TL;DR提出了一种新的数据驱动模型与实验增强（D2EA）方法，结合仿真数据和实验数据，旨在减少模型差异并提高实际应用中的准确性。该方法通过针对双有源桥（NPC-DAB）变换器的效率优化进行了实例化，并在 2 kW 硬件实验中验证了其可行性，达到了 98.45% 的峰值效率。总的来说，D2EA 方法可以一次性实现数据轻量化、高度准确和高度实用的数据驱动模型，并且可以应用于其他领域。
发现论文，激发创造
  • 基于深度生成建模的数据增强与演示，使用 BFBT 基准空隙率数据集

    本研究探讨深度生成模型在核工程中扩增科学数据的应用，发现变分自编码器（VAEs）、条件变分自编码器（CVAEs）和生成对抗网络（GANs）具有相当的生成性能，使合成数据集的误差较小，证明深度生成模型在核工程中具有扩增训练数据集并让其他深度学习模型更准确训练的巨大潜力。

    Aug, 2023

  • 神经机器翻译的确定性可逆数据增强

    确定性可逆数据增强（DRDA）是一种简单但有效的数据增强方法，用于神经机器翻译，通过采用确定性分段和可逆操作生成多粒度子词表示，并通过多视角技术将它们拉近，无需额外的语料库或模型变更，DRDA 在几个翻译任务中优于强基线模型（Transformer），在嘈杂、资源匮乏和跨领域数据集中表现出良好的鲁棒性，达到多达 4.3 BLEU 增益。

    Jun, 2024

  • CoDA: 自然语言理解的对比增强和多样性促进数据增强

    本文提出了一种名为 CoDA 的新型数据增强框架，通过整合多种转换方法，试图解决文本数据增强中的标签保留问题。实验表明，CoDA 架构在多种自然语言理解任务中平均提高了 2.2% 的效果，相较其他基线方法表现更强

    Oct, 2020

  • 对话人工智能的数据增强

    对话系统中的数据扩充方法提供了关键的方法来解决数据稀缺问题，并探讨了对话系统中的生成、评估等任务中的挑战与未来方向。

    Sep, 2023

  • 在 SemEval-2024 任务 2 中的 DKE 研究：结合数据增强、生成模型和生物医学知识提高推理鲁棒性

    通过语义扰动和特定领域词汇替换生成合成示例，并添加数值和定量推理新任务，以改进生物医学临床试验中自然语言推理模型的鲁棒性，结合多任务学习和 DeBERTa 结构，相较于原始语言模型在 NLI4CT 2024 基准上取得了显著的性能改进。

    Apr, 2024

  • 基于词典的跨领域神经机器翻译数据增强

    本文提出了一种基于词典的数据增强方法，用于跨领域神经机器翻译。通过生成大规模的伪 IND 平行语料库，可以增强一般域训练的基线 NMT 模型，实验结果表明，DDA 增强的 NMT 模型表现出一致显著的改进，胜过基线模型 3.75-11.53 BLEU。

    Apr, 2020

  • 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

  • 比较数据增强方法对于端到端任务导向型对话系统的效果

    在任务导向型对话系统中，通过数据增强方法在端到端设置下进行实证评估，证明了所有考虑的数据增强方法都是有益的，并提供了最佳方法和实践建议，同时引入了一个更具挑战性的少样本跨领域任务导向型对话系统的设置。

    Jun, 2024

  • 多模态数据增强用于端到端语音识别

    本文提出了一种新的端到端自动语音识别（ASR）架构，可以利用符号输入和传统的声学输入进行训练，该架构使用两个单独的编码器：一个用于声学输入，另一个用于符号输入，并共享注意力和解码器参数；通过研究不同的方法将大型文本语料库转换成符号形式进行训练，我们的最佳 MMDA 设置不仅可以在字符错误率（CER）上获得小的改善，而且在基线上，无论是否有外部语言模型，均可以获得 7-10％相对词错误率（WER）的改进。

    Mar, 2018

  • 虚拟数据增强：一种用于微调预训练模型的稳健通用框架

    该论文提出了一种名为 Virtual Data Augmentation（VDA）的数据增强技术，通过基于原始令牌嵌入构建混合多项式来增加语义相关且具有充分多样性的虚拟数据嵌入，其中掩码语言模型保证了语义相关性，高斯噪声提供增强的多样性，并提出了一种规则化训练策略以平衡两个方面，大量实验证明该方法能提高 pre-trained language models 的鲁棒性和减轻对对抗攻击的表现下降。

    Sep, 2021