CLR-GAM: Contrastive Point Cloud Learning with Guided Augmentation and Feature Mapping
Samsung Semiconductor US（美国三星半导体）；National Yang Ming Chiao Tung University（国立阳明交通大学）
点云数据在机器人和自动驾驶应用中起着至关重要的作用。然而，注释点云数据是耗时且不平凡的，而它们能够学习有区别的3D表示，从而增强下游任务，例如分类和分割。最近，基于对比学习的框架已经显示出以自监督方式学习3D表示的有希望的结果。然而，现有的对比学习方法不能精确地编码和关联结构特征，并且不能有效地搜索更高维的增强空间。在本文中，我们提出了CLR-GAM，一种新的对比学习为基础的框架与引导增强（GA）有效的动态探索策略和引导特征映射（GFM）增强点云之间的相似结构特征关联。我们经验证明，所提出的方法在模拟和真实世界的3D点云数据集上实现了最先进的性能，用于三个不同的下游任务，即，3D点云分类、少样本学习和对象部分分割。
2023-02-28 cs.AI cs.CV cs.LG
Active Tabular Augmentation via Policy-Guided Diffusion Inpainting
Technical University of Munich（慕尼黑技术大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
本文提出TAP方法，结合扩散修复与轻量策略，提升表格增强的实用性和安全性，在数据稀缺情况下提升分类准确率和回归性能。
2026-05-11 cs.AI cs.LG
CounterExample Guided Neural Synthesis
University of California, Berkeley（加州大学伯克利分校）；University of Oxford（牛津大学）
程序合成是从规范生成程序。正确的合成是困难的，并且提供形式保证的方法遭受可扩展性问题。另一方面，神经网络能够从示例快速生成程序，但无法保证它们输出的程序实际上满足逻辑规范。在这项工作中，我们结合了神经网络与形式推理：使用后者转换成一个逻辑规范的例子，引导神经网络走向正确的解决方案，并保证任何解决方案返回满足正式规格。我们应用我们的技术来合成循环不变式和比较现有的求解器，使用SMT和现有的技术，使用神经网络的性能。我们的研究结果表明，基于形式化推理的指导大大提高了神经网络的性能，它可以解决的基准测试的数量几乎翻了一番。
2020-01-25 cs.LG cs.LO
ODE guided Neural Data Augmentation Techniques for Time Series Data and its Benefits on Robustness
IIT Hyderabad（印度理工学院海得拉巴分校）；IIT Madras（印度理工学院马德拉斯分校）
探索对抗攻击向量并研究它们对机器学习算法的影响一直是研究人员感兴趣的。在这种情况下，与图像对应物相比，处理时间序列数据的深度神经网络受到的关注较少。在最近的一项发现中，已经揭示了当前最先进的深度学习时间序列分类器容易受到对抗攻击的攻击。本文介绍了两种基于局部梯度和一种基于谱密度的时间序列数据增强技术。我们表明，使用我们的技术获得的数据训练的模型在各种时间序列基准上获得了最先进的分类精度。此外，它提高了模型对一些最常见的腐败技术，如快速梯度符号法（FGSM）和基本迭代法（BIM）的鲁棒性。
2020-09-27 cs.LG stat.ML
Symmetry-Guided Memory Augmentation for Efficient Locomotion Learning
Department of Mechanical and Process Engineering, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院机械与过程工程系）；ETH AI Center, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院人工智能中心）；Department of Computer Science, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院计算机科学系）
本文提出SGMA框架，通过结合结构化经验增强与基于记忆的上下文推断，提升强化学习政策训练效率。利用机器人与任务对称性生成物理一致的训练经验，避免 naive 增强的弊端，使代理能保留任务相关上下文并适应行为。在仿真和真实四足机器人上验证了方法的有效性。
2026-03-24 cs.AI cs.LG cs.RO
Beyond Augmentation: Score-Guided Pathological Prior for EEG-based Depression Detection
School of Internet, Anhui University（安徽大学互联网学院）；School of Computer Science and Technology, Hefei University of Technology（合肥工业大学计算机科学与技术学院）；School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机科学与信息工程学院）
针对脑电图抑郁症检测中的小样本困境，提出无数据增强的评分引导分类框架，利用生成网络建模病理先验并融合深度特征，同时设计跨通道空间适应模块解决多中心数据集硬件异构问题。
2026-11-04 cs.AI cs.LG
Expert-guided Clinical Text Augmentation via Query-Based Model Collaboration
本文提出基于查询的模型协作框架，利用专家知识指导文本增强，提升医疗信息保留并减少幻觉，实验显示在临床预测任务中表现优于传统方法。
2026-06-29 cs.LG
Data Boost: Text Data Augmentation Through Reinforcement Learning Guided Conditional Generation
Moody College of Communication, University of Texas at Austin（得克萨斯大学奥斯汀分校穆迪传播学院）；Dartmouth College（达特茅斯学院）
数据增强在许多NLU任务中被证明是有效的，特别是对于那些数据稀缺的人。在本文中，我们提出了一个强大且易于部署的文本增强框架Data Boost，它通过强化学习引导的条件生成来增强数据。我们在五种不同的分类器架构下对三种不同的文本分类任务进行了评估。实验结果表明，Data Boost算法能够有效提高分类器的性能，尤其是在低资源数据的情况下。例如，当只提供10%的数据用于训练时，Data Boost将三个任务的F1平均提高了8.7%。我们还将Data Boost与六种先前的文本增强方法进行了比较。通过人工评估（N=178），我们确认Data Boost增强在可读性和类一致性方面具有与原始数据相当的质量。
2020-12-05 cs.CL cs.LG
Time Series Data Augmentation for Neural Networks by Time Warping with a Discriminative Teacher
Kyushu Univeristy（九州大学）
神经网络已经成为模式识别中的强大工具，其成功的部分原因是使用大型数据集的泛化。然而，与其他领域不同，时间序列分类数据集通常很小。为了解决这个问题，我们提出了一种新的时间序列数据增强称为引导翘曲。虽然许多数据增强方法基于随机变换，但引导扭曲利用动态时间扭曲（DTW）和shapeDTW（一种基于形状描述符的高级DTW方法）的元素对齐特性来确定性地扭曲样本模式。以这种方式，通过扭曲样本模式的特征以匹配参考模式的时间步长来混合时间序列。此外，我们还引入了一个判别教师，以作为指导翘曲的直接参考。我们使用深度卷积神经网络（CNN）和递归神经网络（RNN）对2015年UCR时间序列档案中的所有85个数据集进行了评估。可以在https://github.com/uchidalab/time_series_augmentation上找到易于使用的实现代码。
2020-04-19 cs.LG stat.ML
Physics-guided Data Augmentation for Learning the Solution Operator of Linear Differential Equations
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
神经网络，特别是最近提出的神经算子模型，越来越多地被用来寻找微分方程的解算子。与传统的数值求解器相比，它们在实际应用中速度更快，效率更高。然而，一个关键问题是训练神经算子模型需要大量的地面真实数据，这些数据通常来自缓慢的数值求解器。在本文中，我们提出了一个物理指导的数据增强（PGDA）方法，以提高神经算子模型的准确性和泛化能力。训练数据通过微分方程的物理性质（例如线性和平移）自然地增加。我们证明了PGDA的优势，对各种线性微分方程，PGDA可以提高样本的复杂性，是强大的分布移位。
2022-12-08 cs.LG
Data Augmentation through Expert-guided Symmetry Detection to Improve Performance in Offline Reinforcement Learning
ISAE-SUPAERO, University of Toulouse（图卢兹大学高等航空航天学院）；ANITI, University of Toulouse（图卢兹大学人工智能与自然智能跨学科研究所）
本文提出将专家引导的对称性检测与数据增强方法扩展至非确定性MDP，通过基于统计距离的检测阈值扩充数据，减少分布偏移，从而提升离线强化学习策略在真实环境中的性能。
2023-04-12 cs.AI cs.LG
AUGCO: Augmentation Consistency-guided Self-training for Source-free Domain Adaptive Semantic Segmentation
Georgia Institute of Technology（佐治亚理工学院）
用于域自适应语义分割的大多数现代方法依赖于在自适应期间对源数据的持续访问，这可能由于计算或隐私约束而不可行。我们专注于无源领域自适应语义分割，其中一个源模型必须适应一个新的目标域只给未标记的目标数据。我们提出了增强一致性指导的自训练（AUGCO），这是一种无源自适应算法，它使用模型的像素级预测一致性，跨各种自动生成的每个目标图像的视图以及模型置信度来识别可靠的像素预测，并选择性地对这些像素进行自训练。AUGCO在3个标准的语义分割基准测试中实现了最先进的无源自适应结果，所有这些都在一个简单的实现和快速收敛的方法中实现。
2022-01-06 cs.CV cs.LG
ENGAGE: Explanation Guided Data Augmentation for Graph Representation Learning
University of Georgia（佐治亚大学）；Rice University（莱斯大学）
针对图对比学习中随机扰动易破坏图结构的问题，提出解释引导的数据增强方法ENGAGE，利用平滑激活图评估节点重要性并设计结构与特征增强方案，有效提升了图表示学习性能。
2023-07-03 cs.AI cs.IT cs.LG
Unlocking Out-of-Distribution Generalization in Dynamics through Physics-Guided Augmentation
University of Science and Technology of China（科学技术大学）；Tsinghua University（清华大学）；Nanyang Technological University（南洋理工大学）；Beijing Jiaotong University（北京交通大学）；Tencent（腾讯）
针对动力系统建模中传统方法成本高、数据驱动方法存在数据稀缺与分布偏移问题，提出物理引导的增强插件SPARK，结合傅里叶增强Graph ODE，显著提升分布外及少数据场景下的建模性能。
2025-10-28 cs.LG
ToxiGAN: Toxic Data Augmentation via LLM-Guided Directional Adversarial Generation
Freie Universität Berlin（弗里德里希-莱布尼茨柏林大学）；Fraunhofer-Institut für Offene Kommunikationssysteme（弗劳恩霍夫开放通信系统研究所）；Institut für Angewandte Informatik（应用信息研究所）；Stanford University（斯坦福大学）
ToxiGAN通过LLM引导的定向对抗生成方法，提升有毒数据增强的可控性和类别特定性，有效增强分类器鲁棒性。
2026-01-06 cs.AI cs.CL cs.LG
Preserve the Hard, Regenerate the Rest: Uncertainty-Guided Synthetic Training Data Augmentation with Diffusion Models
XITASO GmbH（XITASO 有限公司）；Zuse School of Excellence in Reliable AI（Zuse 卓越可靠人工智能学院）；Technische Hochschule Ingolstadt（因戈尔施塔特应用技术大学）；Technische Hochschule Augsburg（奥格斯堡应用技术大学）
针对语义分割中数据稀疏和区域多样性问题，提出不确定性引导的上下文增强策略，通过预测熵识别不确定区域并仅修复上下文，在保持标签有效性的同时最大化像素信息量，在Cityscapes等数据集上显著提升mIoU。
2026-07-01 cs.AI cs.CV cs.LG
Reliability-Guided Adaptive Ensembling for Robust Test-Time Adaptation
School of Computer Science, Carleton University（卡尔顿大学计算机科学学院）；Canada CIFAR AI Chair, Amii（加拿大CIFAR人工智能讲席，阿米研究所）
针对对抗性污染测试流中测试时自适应（TTA）的脆弱性，提出无训练的可靠性引导增强包装器SAFER，通过随机增强和相关性加权池化提高鲁棒性，并引入自适应混合扩展以保持干净性能。
2026-06-23 cs.AI cs.CV cs.LG
GuidedMixup: An Efficient Mixup Strategy Guided by Saliency Maps
Korea University（高丽大学）；Korea Institute of Science and Technology（韩国科学技术研究院）
本文提出一种由显著性图引导的高效数据增强方法GuidedMixup，通过高效配对算法和平滑插值保留显著区域，在低计算开销下提升了模型泛化能力及对噪声和受损数据集的鲁棒性。
2023-06-29 cs.AI cs.CV cs.LG
ASTRO: Adaptive Stitching via Dynamics-Guided Trajectory Rollouts
ASTRO通过动态引导的轨迹滚出生成新颖且一致的轨迹，提升离线强化学习中策略学习的性能。
2025-12-16 cs.AI cs.LG
Learning to Hear Broken Motors: Signature-Guided Data Augmentation for Induction-Motor Diagnostics
National Research University Higher School of Economics（俄罗斯国家研究型高等经济学院）
本文提出基于签名的数据增强方法，结合机器学习与物理模型，提升电机故障诊断的准确性和可靠性。
2025-06-10 cs.LG
Bolster Hallucination Detection via Prompt-Guided Data Augmentation
针对幻觉检测标注数据稀缺问题，本文提出PALE框架，用提示引导LLM生成真实与幻觉样本，并设计CM Score检测稀疏嵌入，无需额外人工标注且性能较基线提升6.55%。
2025-10-13 cs.AI cs.CL cs.LG
SaliencyMix: A Saliency Guided Data Augmentation Strategy for Better Regularization
Kyung Hee University（庆熙大学）
先进的数据增强策略已被广泛研究，以提高深度学习模型的泛化能力。区域丢弃（Regional dropout）是一种流行的解决方案，它通过随机删除图像区域来引导模型专注于区分度较低的部分，从而改进正则化。然而，这种信息移除是不期望的。另一方面，最近的策略建议在训练图像中随机切割和混合补丁及其标签，以享受区域丢弃的优势，而不会在增强图像中产生任何无意义的像素。我们认为，这种随机选择策略的补丁可能不一定代表足够的信息，相应的对象，从而混合标签，根据该无信息补丁使模型能够学习意想不到的特征表示。因此，我们提出了SaliencyMix，它在显着图的帮助下仔细选择代表性图像块，并将该指示性块与目标图像混合，从而引导模型学习更合适的特征表示。SaliencyMix在ImageNet分类上分别为ResNet-50和ResNet-101架构实现了21.26%和20.09%的最佳前1误差，并且还提高了模型对对抗性扰动的鲁棒性。此外，使用SaliencyMix训练的模型有助于提高目标检测性能。源代码可在https://github.com/SaliencyMix/SaliencyMix上获得。
2021-07-27 cs.LG stat.ML
Rethinking Data Augmentation under Covariate Shift: Invariant-Guided Diffusion and Prototype Reweighting
Arizona State University（亚利桑那州立大学）；Clemson University（克莱姆森大学）；NEC Laboratories America（NEC美国实验室）
针对协变量偏移下数据增强的误导生成与结构不稳定问题，提出IGDPR框架，结合不变性引导扩散与原型重加权，提升数据质量与学习稳健性。
2026-10-02 cs.AI cs.LG
D4: Text-guided diffusion model-based domain adaptive data augmentation for vineyard shoot detection
Shizuoka University（静冈大学）；Yamaha Motor Co., Ltd.（雅马哈发动机株式会社）
本文提出D4生成式数据增强方法，利用文本引导扩散模型生成适应目标领域的带标注葡萄园嫩梢图像，显著提升BBox与关键点检测性能。
2024-09-06 cs.AI cs.CV cs.LG
Output Feedback Tube MPC-Guided Data Augmentation for Robust, Efficient Sensorimotor Policy Learning
模仿学习（IL）可以从计算昂贵的基于模型的传感和控制算法提供的演示中生成计算高效的感觉运动策略。然而，通常采用的IL方法往往是数据效率低下，需要收集大量的示范和生产的政策与有限的鲁棒性的不确定性。在这项工作中，我们结合IL与输出反馈鲁棒管模型预测控制器（RTMPC）共同生成演示和数据增强策略，有效地学习神经网络为基础的感觉运动的政策。由于增强的数据，我们减少了计算时间和IL所需的演示次数，同时提供了对传感和过程不确定性的鲁棒性。我们调整我们的方法来学习的任务的轨迹跟踪可视化政策的空中机器人，利用三维网格的环境作为数据增强过程的一部分。我们数值证明，我们的方法可以学习一个强大的可视化政策，从一个单一的演示-一个两个数量级的提高演示效率相比，现有的IL方法。
2022-10-18 cs.LG cs.RO
ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting
MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（人工智能大模型关键实验室、人工智能研究院、上海交通大学）
ReAugment是基于模型库的强化学习方法，用于小样本时间序列增强与预测，可识别易过拟合样本并自适应生成新数据，提升预测效果。
2026-08-21 cs.LG
RABot: Reinforcement-Guided Graph Augmentation for Imbalanced and Noisy Social Bot Detection
RABot通过强化学习引导的图增强方法，解决社会机器人检测中的类别不平衡和拓扑噪声问题，提升检测性能。
2026-02-25 cs.LG cs.SI
CLIP-PAE: Projection-Augmentation Embedding to Extract Relevant Features for a Disentangled, Interpretable, and Controllable Text-Guided Face Manipulation
University of Cambridge（剑桥大学）
针对CLIP联合空间中文本与图像嵌入差异导致的文本引导图像编辑伪影多、解耦性等不足，提出投影增强嵌入PAE作为优化目标，可集成到各类CLIP编辑算法中，在人脸编辑任务上实现了更优的解耦、可解释与可控效果及顶尖性能。
2025-09-02 cs.AI cs.CV cs.LG
SIGMA: Refining Large Language Model Reasoning via Sibling-Guided Monte Carlo Augmentation
Beihang University（北京航空航天大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Leicester（莱斯特大学）；Nanyang Technological University（南洋理工大学）
提出 SIGMA 框架，利用 MCTS 中被丢弃的兄弟节点进行比较批判与文本反向传播，以少量数据显著提升 LLM 数学推理。
2025-06-06 cs.AI cs.LG
Confidence-Guided Data Augmentation for Improved Semi-Supervised Training
University of Louisville（路易斯维尔大学）
我们提出了一种新的策略，以提高图像分类的准确性和鲁棒性。首先，我们训练基线CNN模型。然后，我们通过识别所有错误分类的样本来识别特征空间中具有挑战性的区域，并以低置信度值正确分类样本。这些样本然后用于训练变分自编码器（VAE）。接下来，VAE用于生成合成图像。最后，生成的合成图像与原始标记图像结合使用，以半监督方式训练新模型。在STL 10和CIFAR-100等基准数据集上的实验结果表明，与仅使用可用数据的完全监督基线方法相比，合成生成的样本可以进一步使训练数据多样化，从而改善图像分类。
2023-02-22 cs.CV cs.LG
Guided Data Augmentation for Offline Reinforcement Learning and Imitation Learning
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Carnegie Mellon University（卡内基梅隆大学）
本文提出引导式数据增强框架GuDA，通过人类对轨迹进展的简单判断自动筛选专家质量增强数据，在少量次优数据下提升离线强化学习与模仿学习性能，并优于随机和基于模型的数据增强策略。
2024-08-08 cs.LG cs.RO
Task-guided Spatiotemporal Network with Diffusion Augmentation for EEG-based Dementia Diagnosis and MMSE Prediction
Hunan Provincial Key Lab on Bioinformatics, School of Computer Science and Engineering, Central South University（湖南生物信息省重点实验室，计算机科学与工程学院，中南大学）；Xinjiang Engineering Research Center of Big Data and Intelligent Software, School of Software, Xinjiang University（新疆大数据与智能软件工程研究中心，软件学院，新疆大学）；School of Science and Engineering, University of Dundee（科学与工程学院，邓迪大学）；Department of Neurology, Xiangya Hospital, Central South University（神经内科，湘雅医院，中南大学）
本文提出任务引导时空网络，通过多频段特征融合模块和扩散增强模块，提升EEG数据中痴呆症诊断和MMSE预测的准确性与鲁棒性。
2026-04-27 cs.AI cs.LG
Spatial-temporal Transformer-guided Diffusion based Data Augmentation for Efficient Skeleton-based Action Recognition
Korea University（高丽大学）
针对基于骨架的动作识别数据获取成本高的问题，提出时空Transformer引导的去噪扩散概率模型数据增强方法，可生成高质量多样动作序列，在自然度、多样性指标上优于SOTA方法，能提升现有识别模型性能。
2023-07-25 cs.AI cs.CV cs.LG
Semantic-Guided Generative Image Augmentation Method with Diffusion Models for Image Classification
Harbin Institute of Technology（哈尔滨工业大学）
针对图像增强中多样性与语义一致性难以兼顾的问题，提出 SGID，利用扩散模型并以标签和描述引导生成增强图像，在多种骨干网络上提升分类性能。
2024-01-18 cs.CV cs.LG
Adversarial Data Augmentation for Single Domain Generalization via Lyapunov Exponent-Guided Optimization
Chongqing University of Posts and Telecommunications（重庆邮电大学）
本文提出LEAwareSGD方法，利用Lyapunov指数引导学习率调节，使模型在混沌边缘附近训练，以提升单域泛化能力，并在多个数据集上取得显著性能提升。
2025-07-06 cs.CV cs.LG
Improve Model Generalization and Robustness to Dataset Bias with Bias-regularized Learning and Domain-guided Augmentation
深度学习因生物医学大数据的出现而蓬勃发展。然而，在不同机构获得的医疗数据集具有由各种混杂因素引起的固有偏差，例如操作策略，机器协议，治疗偏好等。因此，在一个数据集上训练的模型，无论体积如何，都不能自信地用于其他数据集。在这项研究中，我们使用三个大规模的胸部X射线数据集研究了模型对数据集偏差的鲁棒性：首先，我们使用香草训练基线评估了数据集偏差;其次，我们提出了一种新的多源域泛化模型，方法是：（a）设计一个新的偏差正则化损失函数;（b）合成新数据进行域增强。我们发现，我们的模型在准确性和各种偏差测量方面显着优于基线和其他方法，而无需重新训练或微调。我们的方法普遍适用于其他生物医学数据，为大数据分析和应用提供了训练模型的新算法。演示培训代码是公开的。
2019-11-13 cs.CV cs.LG eess.IV
Outlier-aware Tensor Robust Principal Component Analysis with Self-guided Data Augmentation
School of Mathematics and Statistics, Hunan Normal University（湖南师范大学数学与统计学学院）；School of Statistics and Mathematics, Yunnan University of Finance and Economics（云南财经大学统计与数学学院）
提出自引导数据增强方法，通过自适应加权抑制离群值影响，将TRPCA问题转化为标准TPCA问题，并开发高效算法，在准确性和计算效率上优于现有方法。
2025-04-25 cs.CV cs.LG cs.NA
Gradient-Guided Exploration of Generative Model's Latent Space for Controlled Iris Image Augmentations
Fitzpatrick Hall of Engineering, University of Notre Dame, IN 46556, USA（北达科他大学工程学院384号大楼，印第安纳州，46556，美国）
本文提出通过梯度引导生成模型潜在空间来生成具有特定属性的同身份虹膜图像，以提升虹膜识别和对抗检测的鲁棒性。
2026-04-27 cs.CV cs.LG
Tube-NeRF: Efficient Imitation Learning of Visuomotor Policies from MPC using Tube-Guided Data Augmentation and NeRFs
Laboratory for Information and Decision Systems (LIDS)（信息与决策系统实验室）
本文提出Tube-NeRF方法，结合鲁棒MPC与NeRF数据增强，高效训练多旋翼飞行器视觉运动策略，实现80倍演示效率提升和50%训练时间缩减，并成功迁移至真实平台。
2024-02-26 cs.AI cs.LG cs.RO
Influence-guided Data Augmentation for Neural Tensor Completion
Georgia Institute of Technology（佐治亚理工学院）；Adobe Research（Adobe研究院）
如何更准确地预测多维数据（或张量）中的缺失值？张量补全在个性化推荐、图像和视频恢复以及社交网络中的链接预测等许多应用中至关重要。许多张量因式分解和基于神经网络的张量补全算法已经被开发用于预测部分观测张量中的缺失项。然而，它们可能会产生不准确的估计，因为现实世界的张量非常稀疏，并且这些方法往往会在少量数据上过拟合。在这里，我们克服了这些缺点，提出了张量的数据增强技术。在本文中，我们提出了DAIN，一个通用的数据增强框架，提高了神经张量完成方法的预测精度。具体来说，DAIN首先训练一个神经模型，并通过影响函数找到张量细胞的重要性。之后，DAIN聚合单元格重要性以计算每个实体的重要性（即，维度的索引）。最后，DAIN通过实体重要性的加权采样和值预测器来增强张量。广泛的实验结果表明，DAIN优于所有的数据增强基线，在四个不同的现实世界的张量，提高神经张量完成的插补精度。DAIN的消融研究证实了DAIN的每种成分的有效性。此外，我们表明，DAIN规模接近线性大型数据集。
2021-08-23 cs.LG cs.SI
GAUDA: Generative Adaptive Uncertainty-guided Diffusion-based Augmentation for Surgical Segmentation
Technical University Darmstadt（德累斯顿技术大学）；University Medical Center Mainz（马因茨大学医学中心）；University of Girona（加泰罗尼亚大学）
针对手术数据积累的伦理与监管限制及配对数据合成探索不足的问题，提出GAUDA方法，利用贝叶斯下游模型的认知不确定性进行在线自适应引导生成，有效提升了手术分割的IoU。
2025-01-18 cs.CV cs.LG
Adversarial Auto-Augment with Label Preservation: A Representation Learning Principle Guided Approach
University of Science Technology of China（中国科学技术大学）；University of Maryland College Park（马里兰大学帕克分校）；JD Explore Academy（京东探索研究院）；The University of Sydney（悉尼大学）
数据增强是深度学习成功的关键因素，但严重依赖于并不总是可用的先验领域知识。关于自动数据增强的最新工作学习形成增强操作序列的策略，其仍然是预定义的并且受限于有限的选项。在本文中，我们表明，一个先验自由的自主数据增强的目标可以来自表示学习原则，旨在保持最低限度的充分信息的标签。给定一个例子，目标旨在创建一个遥远的“硬阳性例子”作为增强，同时仍然保留原始标签。然后，我们提出了一个实际的替代目标，可以有效地优化和无缝集成到现有的方法，为广泛的一类机器学习任务，例如，监督、半监督和噪声标签学习。与以前的工作不同，我们的方法不需要训练额外的生成模型，而是利用最终任务模型的中间层表示来生成数据增强。在实验中，我们表明，我们的方法从效率和最终性能两方面始终如一地为上述三个学习任务带来了非平凡的改进，无论是否与强预定义增强相结合，例如，在医学图像上，当领域知识不可用并且现有的增强技术表现不佳时。代码可在以下网址获得：https：//github.com/kai-wen-yang/LPA3}{https：//github.com/kai-wen-yang/LPA3.
2022-11-02 cs.CV cs.LG
Rough Path Signature-Guided Geometry Augmentation for Few-Shot Industrial Surface Defect Detection
针对少样本工业表面缺陷检测难题，提出粗糙路径签名引导几何增强方法，通过处理边缘轮廓二阶签名响应突出边界结构，经实验验证该方法能有效提升少样本检测性能，无需元学习或重新设计探测器。
2026-07-15 cs.CV cs.LG math.PR
On-the-Fly Data Augmentation via Gradient-Guided and Sample-Aware Influence Estimation
National Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学）；National University of Singapore（新加坡国立大学）
针对传统数据增强未考虑训练动态导致效果下降的问题，提出样本感知动态增强方法SADA，通过梯度投影与时间方差估计样本影响力以动态调整增强强度，轻量即插即用，在多基准任务上取得显著提升。
2025-10-01 cs.CV cs.LG
MS-Mix: Sentiment-Guided Adaptive Augmentation for Multimodal Sentiment Analysis
Chongqing Institute of Green Intelligent Technology, Chinese Academy of Sciences（中国科学院重庆绿色智能技术研究院）；Chongqing School, University of Chinese Academy of Sciences（中国科学院大学重庆学院）；School of Engineering, Westlake University（西湖大学工学院）
本文提出MS-Mix，一种基于情感的自适应增强框架，通过情感感知的样本选择策略、情感强度引导模块和情感对齐损失提升多模态情感分析的鲁棒性和实用性。
2026-04-02 cs.CV cs.LG
Uncertainty-Guided LLM Semantic Augmentation for Heterogeneous Treatment Effect Estimation
Beihang University（北京航空航天大学）；School of Economics and Management, Tsinghua University（清华大学经济管理学院）
本研究针对异质处理效应估计的局部不稳定性，提出CURL方法，通过LLM生成分离的分配与异质性导向表示，在四个基准上提升了10种主学习者的性能。
2026-07-30 cs.LG
SAGE: Saliency-Guided Mixup with Optimal Rearrangements
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Samsung AI Centre Toronto（三星多伦多人工智能中心）；Borealis AI（Borealis人工智能公司）；York University（约克大学）
数据增强是通过减少过拟合和提高泛化能力来训练精确模型的关键要素。对于图像分类，最流行的数据增强技术的范围从简单的光度和几何变换，到更复杂的方法，使用视觉显着性来制作新的训练样本。随着增强方法变得越来越复杂，它们提高测试精度的能力也会提高，但正如本文所示，这种方法变得繁琐、效率低下，并导致领域泛化较差。这激发了一种新的增强技术，该技术允许高精度增益，同时简单、有效（即，最小的计算开销）和可推广。为此，我们引入了具有最佳重排的显着性引导混合（SAGE），它通过使用视觉显着性作为指导来重新排列和混合图像对来创建新的训练样本。通过显式地利用显着性，SAGE促进了有区别的前景对象，并产生了对训练有用的信息丰富的新图像。我们在CIFAR-10和CIFAR-100上证明，SAGE在更高效的同时实现了更好或与最先进技术相当的性能。此外，在分布外设置和mini-ImageNet上的少样本学习中的评估表明，SAGE在不牺牲鲁棒性的情况下实现了改进的泛化性能。
2022-10-31 cs.CV cs.LG
Weak Augmentation Guided Relational Self-Supervised Learning
The University of Sydney（悉尼大学）；SenseTime Research（商汤科技研究院）；University of Science and Technology of China（中国科学技术大学）；Tsinghua University（清华大学）；The Chinese University of Hong Kong（香港中文大学）
提出关系自监督学习框架ReSSL，通过弱增强和动量策略建模实例间关系学习视觉表征，显著优于现有方法。
2024-06-03 cs.CV cs.LG
DeepRepair: Style-Guided Repairing for DNNs in the Real-world Operational Environment
Kyushu University（九州大学）；Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）
深度神经网络（DNN）由于其高性能（例如，图像分类准确度高）。然而，部署后经过良好训练的DNN在操作环境中的实际使用期间可能经常会由于训练数据集的分布与操作环境中的潜在未知噪声因素之间的不匹配而引起错误，例如，天气、模糊、噪声等。因此，它为DNN的实际应用提出了相当重要的问题：如何修复所部署的DNN以校正故障样本（即，不正确的预测），同时不损害它们处理正常或干净数据的能力。在实际工作中，由于运行环境中的噪声因素，我们能够收集到的故障样本数量往往是有限的。因此，如何在有限的故障样本下修复更多的相似故障是一个相当具有挑战性的问题。本文提出了一种基于样式引导的数据增强方法，用于在可操作环境下修复DNN。我们提出了一种风格转移方法，通过数据增强来学习和引入故障数据中的未知故障模式到训练数据中。此外，我们进一步提出了基于聚类的故障数据生成更有效的风格引导的数据增强。我们对现实世界中可能发生的15个退化因素进行了大规模评估，并与四种最先进的数据增强方法和两种DNN修复方法进行了比较，证明我们的方法可以显着增强操作环境中损坏数据上部署的DNN，并且在干净数据集上具有更好的准确性。
2020-11-19 cs.AI cs.CV cs.LG
Mask-guided Data Augmentation for Multiparametric MRI Generation with a Rare Hepatocellular Carcinoma
Universidad Industrial de Santander（桑坦德工业大学）；University of Toulouse（图卢兹大学）；Université Paul Sabatier Toulouse 3（图卢兹第三大学（保罗·萨巴蒂埃大学））；Bicêtre University Hospital（比塞特尔大学医院）；Assistance publique des hôpitaux de Paris（巴黎公共援助医院）；Université Claude Bernard Lyon 1（里昂第一大学（克洛德·贝尔纳里昂第一大学））
本文提出一种基于生成式深度学习的掩码引导数据增强架构，通过Pix2Pix网络生成罕见肝细胞癌的多参数MRI合成图像及肿瘤掩码，在有限数据集上生成1000组合成数据，FID分数达86.55，获2021年法国放射学会数据增强挑战赛优胜。
2023-07-30 cs.CV cs.LG eess.IV
Graph Transplant: Node Saliency-Guided Graph Mixup with Local Structure Preservation
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；AITRICS
图结构的数据集通常具有不规则的图大小和连通性，使得最近的数据增强技术（例如Mixup）的使用变得困难。为了应对这一挑战，我们提出了第一个类似Mixup的图增强方法，称为图移植，它在数据空间中混合不规则图。为了在图的各种尺度上得到很好的定义，我们的方法将子结构识别为可以保留局部信息的混合单元。由于基于混淆的方法没有特别考虑上下文容易产生噪声样本，我们的方法显式地采用节点显着性信息来选择有意义的子图和自适应地确定标签。我们广泛地验证了我们的方法与不同的GNN架构上的多个图分类基准数据集从各种不同大小的图域。实验结果表明，我们的方法优于其他基本的数据增强基线一致。我们还证明了图移植增强了鲁棒性和模型校准方面的性能。
2021-12-20 cs.LG
Look Beyond Bias with Entropic Adversarial Data Augmentation
Univ Lyon（里昂大学）；Ecole Centrale de Lyon（里昂中央理工学院）；CNRS（法国国家科学研究中心）；INSA Lyon（里昂国立应用科学学院）；Univ Claude Bernard Lyon 1（里昂第一大学）；Univ Louis Lumière Lyon 2（里昂第二大学）；LIRIS（里昂信息与图像研究所）；Thales LAS France（法国泰雷兹激光系统公司）
深度神经网络不会区分虚假模式和因果模式，只会学习最具预测性的模式，而忽略其他模式。这种捷径学习行为不利于网络推广到未知测试时间分布的能力，其中虚假相关不再成立。去偏置方法的开发是为了使网络对这种虚假的偏差具有鲁棒性，但需要提前知道数据集是否有偏差，并大量使用不显示其类的大多数偏差的少数反例。在本文中，我们认为，这样的样本不一定是需要的，因为“隐藏”的因果信息往往也包含在有偏见的图像。为了研究这个想法，我们提出了3个公开发布的合成分类基准，展示了预测分类的捷径，每个都有不同的和具有挑战性的性质，没有任何少数样本作为反例。首先，我们调查了几个国家的最先进的战略对我们的基准测试的有效性，并表明他们不产生令人满意的结果。然后，我们提出了一个架构，能够在我们的基准测试中取得成功，尽管他们不寻常的属性，使用熵对抗数据增强训练计划。编码器-解码器架构的任务是通过最大化其输出的条件熵来产生分类器无法识别的图像，并尽可能多地保留初始内容。通过解开过程，对被破坏的信息进行精确控制，使我们能够删除捷径，并保持其他一切完好无损。此外，与BAR数据集上最先进的结果竞争，确保了我们的方法在现实生活中的适用性。
2023-01-10 cs.AI cs.CV cs.LG
LatentAugment: Data Augmentation via Guided Manipulation of GAN's Latent Space
University Campus-Biomedico of Rome（罗马生物医学大学校园）；Umeå University（于默奥大学）
针对标准数据增强多样性有限、GAN模式覆盖差难以用于数据增强的问题，提出无监督的LatentAugment策略，通过引导操纵GAN潜向量提升合成样本的多样性与保真度，在MRI转CT任务中效果优于现有方法。
2023-07-21 cs.CV cs.LG eess.IV
Attention-Guided Erasing: A Novel Augmentation Method for Enhancing Downstream Breast Density Classification
Siemens Healthineers（西门子医疗）；FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
本研究提出名为 Attention-Guided Erasing (AGE) 的数据增强技术，利用自监督 DINO 训练的 vision transformer 注意力图擦除背景，突出致密组织，在 VinDr-Mammo 数据集上显著提升了 BI-RADS 乳腺密度分类性能。
2024-01-08 cs.CV cs.LG eess.IV
