EDA是一种用于文本分类任务的数据增强方法，包括同义词替换、随机插入、随机交换和随机删除四种操作。实验证明，EDA能有效提升模型在五个通用数据集上的性能，特别是在小数据集上效果更显著。虽然对句子进行EDA操作后可能改变其原始形式，但实验显示，经过EDA处理的句子与原句在模型预测上的输出在高维空间中仍保持相近。作者提供了关于如何根据数据规模选择合适EDA策略的建议。
EDA: Easy Data Augmentation Techniques for Boosting Performance on Text Classification Tasks
概述
文章提出了一种文本分类任务中数据增强的方法：EDA，EDA中包括四种操作，SR、RI、 RS、RD。
实验显示，在五个通用的文本分类数据集上，使用EDA方法增强语料，模型都有一定性能上的提升。
尤其在语料不足的情况下，性能提升得越多。
EDA中的四种操作
分别是，同义词替换，随机插入，随机交换，随机删除。详细操作如下图
经过EDA方法操作后，原有句子的label还会是对的吗？
看论文的过程中，其实心中一直有一个疑问，经过EDA操作的句子，label还会是对的吗
作者在论文中回答了这一点，作者做了一个实验，用原有的训练集训练模型(未经过数据增强)，
之后在测试集中使用EDA方法，拓展测试集，将原有的测试集和拓展出的语料，喂进模型中，
发现原有测试集和拓展出的语料，最后线性层的输出，在高维空间中，距离很小。如下图所示。
作者的建议
作者给出了在实际使用EDA方法的建议，表格的左边是数据的规模
比如同义词替换中，替换的单词数
随机删除的话
1357
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
