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: