数据增强与数据扩充

数据扩充方法

在图像上很常用：

方法有：左右翻转、随机裁剪、旋转、平移、噪声扰动、亮度对比度变换等许多简单高效的方法；

其作用是增大数据集且提高泛化效果，随手百度都有很多讲解。

在文本上的使用：

方法有：

同义词替换（这种方法比较大的局限性在于同义词在NLP中通常具有比较相近的词向量，因此对于模型来说，并没有起到比较好的对数据增强的作用）

反向翻译（这是机器翻译中一种非常常用的增强数据的方法，主要思想就是通过机器将一个句子翻译为另一种语言，再把另一种语言翻译为原先的语言，得到一个意思相近但表达方式可能不同的句子。这种方法不仅有同义词替换、词语增删的能力，还具有对句子结构语序调整的效果，并能保持与原句子意思相近，是一种非常有效的数据增强方式。）

生成对抗网络（近些年大热的生成对抗网络模型（GAN）以及它的各种变体模型，通过生成器和判别器的相互博弈，不断迭代增强训练达到以假乱真的效果，最后用生成器大量生成数据。但这种方法的难点在于需要对GAN模型的训练达到比较好，才能更有效的生成高质量数据，这一点工作量相对较大也较为复杂。）

来源：

https://www.zhihu.com/question/305256736/answer/586459726?utm_source=wechat_session&utm_medium=social&utm_oi=760907773469790208