数据增强

英文：Data Augmentation　分类：foundation

基本释义

通过对原始数据施加变换（旋转、裁剪、加噪、改写、回译等）生成多样新样本，扩大训练集并提升模型泛化能力的技术。它是视觉、语音、NLP 训练的标准组件，也是缓解数据稀缺的有效手段。

技术要点

视觉常用随机裁剪、翻转、颜色抖动、CutMix；文本常用同义词替换、回译、随机掩码与生成式改写；语音用变速、加噪。增强需保持语义不变（标签不变），过度增强会引入噪声损害训练。大模型训练常通过数据配比、去重与合成数据实现更广义的"增强"。

发展脉络

从 1990 年代手写数字的仿射变换，到 2016 年 CutMix/MixUp 与自动增强（AutoAugment），再到生成式 AI 用大模型合成训练数据（如 Self-Instruct），数据增强走向数据工程化的新阶段。

应用场景

图像分类/检测、语音识别、小样本 NLP 与多模态训练；工程上在数据流水线中在线增强（读取时变换）以节省存储，并通过增强策略搜索优化效果。

返回AI百科目录 · AI最前沿首页

相关词条：Transformer · 注意力机制 · 自注意力 · 特征工程 · 过参数化