数据增强（DA）在计算机视觉（CV）和自然语言处理（NLP）领域被广泛采用以提高模型性能，然而在网络环境中，尤其是在流量分类（TC）任务中，数据增强一直存在问题。本文通过对 3 个 TC 数据集使用数据包时间序列作为输入表示，并考虑多种训练条件，基准测试了 18 种增强函数，结果显示（i）DA 可以获得以前未探索的优势，（ii）基于时间序列顺序和掩码的增强函数更适用于 TC，（iii）简单的潜在空间分析可以提供有关增强效果的线索。

Jan, 2024

在过去的几年中，由于深度学习的兴起，交通分类（TC）引起了人们持续的兴趣。然而，绝大多数 TC 文献缺乏代码实现、跨数据集的性能评估以及与机器学习（ML）方法的参考比较。在这篇论文中，我们在多个数据集上再现了一个采用最近的 DL 方法的研究，并验证了数据增强策略在其他数据集上的有效性。

Sep, 2023

该论文提出了一个新的基于扩散模型的分类导向框架 DreamDA，通过考虑训练图像中的原始数据作为种子并扰动其反扩散过程，DreamDA 生成符合原始数据分布的多样样本，并引入自训练范式生成伪标签和使用合成数据训练分类器，在四个任务和五个数据集上进行的广泛实验证明了 DreamDA 在合成高质量多样的图像并生成准确标签方面的有效性。

Mar, 2024

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

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

这篇论文对合成数据增强技术进行了广泛评估，包括基于真实 3D 图形建模、神经风格迁移、差分神经渲染、生成对抗网络和变分自编码器等生成人工智能技术。对于每一种方法类别，我们关注重要的数据生成和增强技术、广泛的应用范围和具体的用例，以及现有限制和可能的解决方法。此外，我们总结了用于训练计算机视觉模型的常见合成数据集，强调主要特点、应用领域和支持的任务。最后，我们讨论了合成数据增强方法的有效性，并希望通过这篇详细的论文为读者提供必要的背景信息和深入了解现有方法及相关问题。

Mar, 2024

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

数据增强技术（Data Augmentation）通过生成具有真实图像外观的合成样本，提高了深度模型的泛化性能，而 LatentAugment 更进一步地增加了样本的多样性和准确性，优于标准数据增强和基于生成对抗网络（GAN）的采样。

Jul, 2023

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

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