该研究提出了一种使用概率生成模型的方法，通过对图像进行变换来生成新的观测值，以取代手动指定数据增强的方法，以提高深度神经网络的训练性能。

Oct, 2015

本文研究数据增强在卷积神经网络中的隐式规则效应，与显式正则化技术（如权重衰减和Dropout）相比，数据增强能更易于适应不同的网络结构和训练数据。通过对不同网络架构和训练数据量的消融研究，我们揭示了数据增强的优势，这是长期被忽视的问题。

Jun, 2019

利用数据增强作为正则化方式，我们从解析角度重新考虑了数据增强在深度神经网络中的泛化问题，并发现它显著降低了模型泛化误差，但同时也导致略微增加了经验风险。使用较少的数据对完整增强的数据进行训练能够帮助模型更好地收敛于更好的区域，从而进一步提高准确性。

Sep, 2019

本文考察了一系列线性变换及其对于过参数化线性回归问题中的岭回归估计量的影响，证实了保留数据标签的变换能够通过扩大训练数据空间来提高估计精度，而混合数据的变换则能够达到一种正则化效果。在此基础上，提出一种根据模型不确定性搜索变换空间的数据增强方案，并在图像和文本数据集上测试，证实了其表现优于已有的RandAugment方法及能够达到现有SoTA方法的精度。

May, 2020

研究表明，现有的数据增广和权重衰减等正则化技术会导致模型在某些类别上性能下降，从而证明需要研究不带类别偏差的新型正则化技术。

Apr, 2022

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

数据增强已成为视觉预训练模型的标准组成部分，用于捕捉增强视图之间的不变性。本研究通过实证研究来量化数据增强对性能的影响，发现图像的区域遮盖减少了学到的特征嵌入的不变性，同时提供了更多的多样性。手动注释不会改变学到的特征嵌入的不变性或多样性。MixUp方法在多样性方面得到了显著改善，对不变性只有轻微的降低。

Oct, 2023

我们分析了标签增强方法在模型训练中的作用，证明了采用标签增强的线性模型仅仅学习数据中的最小方差特征，而标准训练则能够学习到更高方差的特征。我们的结果表明，与标准训练相比，标签平滑和Mixup在对抗性扰动下对训练数据的鲁棒性较差。通过对合成数据和图像分类基准的一系列实验，我们验证了我们的理论与实践的一致性。

Feb, 2024

数据增强可以增强计算机视觉模型的泛化能力，但可能引入偏差，不均匀地影响类别准确性。我们的研究扩展了这一调查，通过随机裁剪考察了数据增强在不同数据集上的类别特定偏差，包括那些与ImageNet不同的数据集。我们使用ResNet50、EfficientNetV2S和SWIN ViT评估了这一现象，发现残差模型显示了类似的偏差效果，而视觉变换器表现出更高的稳健性或不同的动态变化。这表明在模型选择上需要一种细致入微的方法，强调偏差缓解。我们还改进了“数据增强稳健性侦查”方法，以更高效地管理数据增强引起的偏差，显著减少了计算需求（只需训练112个模型而不是1860个，减少了16.2倍），同时仍能捕捉到重要的偏差趋势。

Mar, 2024

通过融入对抗性和反对抗性扰动分布，增强样本的深度特征，适应性调整学习困难以适应每个样本的特征。同时，开发了一种基于元学习的框架，通过引入增强的效果并跳过显式的增强过程，优化分类器。在长尾学习、广义长尾学习、嘈杂标记学习和子种群转移学习等四种常见偏差学习场景中进行了广泛实验，实证结果表明该方法始终达到最先进的性能水平，突显其广泛适应性。

Apr, 2024