Improving generalization with synthetic training data for deep learning based quality inspection
Scortex
使用计算机视觉技术自动化质量检测通常是一项非常需要数据的任务。具体来说，监督式深度学习需要大量带注释的图像进行训练。在实践中，收集和注释这样的数据不仅是昂贵和费力的，而且效率低下，因为事实上只有少数实例可用于某些缺陷类。如果处理视频帧会增加这些实例的数量，那么它有一个主要的缺点：生成的图像将彼此高度相关。因此，在这种约束下训练的模型预计对输入分布变化非常敏感，这可能在实践中由采集系统（相机、灯）、零件或缺陷方面的变化引起。在这项工作中，我们证明使用随机生成的合成训练图像可以帮助解决域不稳定问题，使训练的模型对上下文变化更加鲁棒。我们详细介绍了我们的合成数据生成管道和我们的深度学习方法来回答这些问题。
2022-02-25 cs.AI cs.CV cs.LG
Synthetic Data is Sufficient for Zero-Shot Visual Generalization from Offline Data
University College London AI Centre（伦敦大学学院人工智能中心）
本文提出一种两步合成数据生成方法，先增强原始离线数据再在潜在空间用扩散模型生成额外数据，在不改动现有离线RL算法的前提下显著提升视觉策略的零样本泛化能力。
2025-08-17 cs.AI cs.CV cs.LG
Automated Domain Discovery from Multiple Sources to Improve Zero-Shot Generalization
Arizona State University（亚利桑那州立大学）；Qualcomm（高通公司）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
领域泛化（DG）方法旨在开发泛化到测试分布与训练数据不同的设置的模型。在本文中，我们专注于多源zero shot DG（MDG）的挑战性问题，其中标记的训练数据从多个源域是可用的，但没有从目标域的数据访问。针对这个问题，已经提出了各种各样的解决方案，包括最先进的多域集成方法。尽管有这些进步，但将所有源数据汇集在一起并训练单个分类器的简单ERM解决方案在标准基准测试中的效果令人惊讶。在本文中，我们假设，为了解释这种行为，重要的是要阐明预先指定的域标签和MDG性能之间的联系。更具体地说，我们考虑两种流行的MDG算法-分布式鲁棒优化（DRO）和多域集成，以展示如何推断自定义域组可以导致一致的改进，与数据集附带的原始域标签。为此，我们提出了（i）Group-DRO++，它采用了显式聚类步骤来识别现有DRO技术中的自定义域;以及（ii）DReaME，它通过隐式域重新标记与新的元优化算法来产生有效的多域集合。使用多个标准基准的实证研究，我们表明，我们的变体始终优于ERM的显着利润率（1.5% - 9%），并产生最先进的千年发展目标的表现。我们的代码可以在https://github.com/kowshikthopalli/DREAME上找到
2022-11-04 cs.CV cs.LG
SynthGenNet: a self-supervised approach for test-time generalization using synthetic multi-source domain mixing of street view images
GeoAI4Cities Research Lab, Department of Data Science and Engineering, IISER Bhopal（GeoAI4Cities研究实验室，数据科学与工程系，IISER博帕尔）
针对城市场景理解的域泛化难题，提出自监督师生架构SynthGenNet，结合ClassMix++、GMC损失与PLGCL机制，利用合成多源街景图像实现鲁棒测试时泛化，在IDD数据集上mIoU达50%，超越单源最优方法。
2025-09-02 cs.CV
ModSelect: Automatic Modality Selection for Synthetic-to-Real Domain Generalization
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
提出无监督方法ModSelect，通过计算单模态分类器预测相关性与嵌入域差异来设置阈值，仅选择正向贡献模态，在合成到真实域适应基准上持续提升性能并缩小域差距。
2022-08-19 cs.CV
PASTA: Proportional Amplitude Spectrum Training Augmentation for Syn-to-Real Domain Generalization
Georgia Tech（佐治亚理工学院）
本文提出 PASTA，通过在傅里叶域对合成图像振幅谱进行高频相对更强的结构化扰动，以简单有效的增强方式提升合成到真实域泛化性能，并在语义分割、目标检测和识别任务上优于现有复杂方法。
2023-09-22 cs.AI cs.CV cs.LG
Automated Multi-label Classification of Eleven Retinal Diseases: A Benchmark of Modern Architectures and a Meta-Ensemble on a Large Synthetic Dataset
Department of Cell Biology, University of Virginia, Charlottesville, VA, USA（细胞生物学系，弗吉尼亚大学）；Department of Ophthalmology, University of Virginia, Charlottesville, VA, USA（眼科学系，弗吉尼亚大学）；Department of Biomedical Engineering, University of Virginia, Charlottesville, VA, USA（生物医学工程系，弗吉尼亚大学）；Department of Biostatistics, University of North Carolina at Chapel Hill, Chapel Hill, NC, USA（生物统计学系，北卡罗来纳大学教堂山分校）；Department of Oncology, People’s Hospital of Chongqing, Hechuan, Chongqing, China（肿瘤科，重庆人民医院）；Department of Electrical and Computer Engineering, Old Dominion University, Norfolk, VA, USA（电气与计算机工程系，旧 Dominion 大学）
本文在SynFundus-1M合成数据集上训练六种现代架构并构建XGBoost元集成模型，用于十一种视网膜疾病多标签分类，在内部验证及多个真实临床数据集上取得高AUC，证明纯合成数据训练的模型可有效泛化到真实临床图像。
2025-08-21 cs.AI cs.CV
Automated Top View Registration of Broadcast Football Videos
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）
在本文中，我们提出了一种新的方法来注册足球广播视频帧上的静态顶视图模型的比赛表面。所提出的方法是全自动的，与需要手动初始化图像和静态模型之间的点对应的现有技术相比。由于缺乏足够的点对应，使用现有方法的自动配准一直是困难的。我们研究了另一种方法，利用边缘信息的线标记上的字段。我们制定的注册问题作为一个最近的邻居搜索综合生成的字典的边缘图和单应性对。合成字典生成允许我们详尽地覆盖各种各样的相机角度和位置，并将此问题减少到最小的每帧边缘图匹配过程。我们表明，每帧的结果可以改善视频中使用的时间相机稳定的优化框架。我们通过对2014年世界杯足球赛收集的数据集进行广泛的结果展示了我们方法的有效性。
2017-03-04 cs.CV
NutritionVerse-Synth: An Open Access Synthetically Generated 2D Food Scene Dataset for Dietary Intake Estimation
University of Waterloo（滑铁卢大学）；Waterloo Artificial Intelligence Institute（滑铁卢人工智能研究院）
本文提出开放的大规模合成食物图像数据集 NV-Synth，含84,984张多视角照片级餐食图像及丰富真值标注，并公开生成框架代码，以支撑计算机视觉膳食摄入评估。
2023-12-11 cs.CV
G2R Bound: A Generalization Bound for Supervised Learning from GAN-Synthetic Data
HTC Research & Healthcare（HTC研究与医疗事业部）；Stanford University（斯坦福大学）
从使用生成对抗网络（GANs）合成的数据中执行监督学习，被称为GAN-合成数据，有两个重要的应用。首先，GANs可以生成更多标记的训练数据，这可以帮助提高分类准确度。其次，在出于隐私和/或安全原因而无法在某些场所之外发布真实数据的情况下，使用GAN-合成数据进行训练是一种合理的替代方案。本文提出了一个泛化界，以保证从GAN-合成数据学习的分类器的泛化能力。该泛化界有助于开发人员衡量从合成数据学习和在真实数据上测试之间的泛化差距，因此可以提供提高泛化能力的线索。
2019-05-29 cs.LG stat.ML
AutoGeTS: Knowledge-based Automated Generation of Text Synthetics for Improving Text Classification
FabLab, Inetum（FabLab，Inetum）
针对文本分类数据不足的问题，提出自动化工作流AutoGeTS，利用LLM生成合成数据提升模型性能，并构建集成算法根据类别特征选择最优搜索策略，实验证明其优于单一策略。
2025-08-04 cs.CL cs.LG
Pain in 3D: Generating Controllable Synthetic Faces for Automated Pain Assessment
Vector Institute（向量研究所）；KITE Research Institute（KITE研究机构）；University Health Network（大学健康网络）；Department of Computer Science, University of Toronto（多伦多大学计算机科学系）；Department of Medical Imaging, University of Toronto（多伦多大学医学成像系）；Institute of Biomedical Engineering, University of Toronto（多伦多大学生物医学工程研究所）
研究针对面部表情自动疼痛评估面临的数据稀缺等问题，提出3DPain数据集及三阶段框架合成多视图面部，还引入ViTPain框架，为可推广的自动疼痛评估建立了可控、多样且基于临床的基础。
2026-07-22 cs.CV cs.LG
A Note on Generalization in Variational Autoencoders: How Effective Is Synthetic Data & Overparameterization?
AI Center Tübingen（蒂宾根人工智能中心）；University of Tübingen（蒂宾根大学）
本文从深度学习视角研究合成数据与过参数化对变分自编码器泛化能力的影响，发现两者均能有效缓解过拟合，提升模型的泛化、摊销推断及鲁棒性表现。
2024-12-22 cs.CV cs.LG stat.ML
Mind the Domain Gap: Measuring the Domain Gap Between Real-World and Synthetic Point Clouds for Automated Driving Development
Technical University of Munich（慕尼黑技术大学）；Chair of Geoinformatics, Technical University of Munich（地理信息学教授职位，慕尼黑技术大学）；Chair of Photogrammetry and Remote Sensing, Technical University of Munich（摄影测量与遥感教授职位，慕尼黑技术大学）；Department of Geoinformatics, University of Applied Science Munich（慕尼黑应用科学大学地理信息学系）
本文提出一种测量真实与合成点云域差距的新方法，引入DoGSS-PCL度量，验证其有效性并表明合成数据可在50/50比例下保持训练性能，助力自动驾驶测试与数字孪生。
2025-05-23 cs.CV cs.LG
Synthetic Data Generation and Automated Multidimensional Data Labeling for AI/ML in General and Circular Coordinates
Central Washington University（中央华盛顿大学）
针对AI/ML模型训练数据不足的问题，提出统一的SDG-ADL算法，结合多种通用线坐标实现多维数据的合成生成与自动标注，经真实数据案例验证可对分类器产生作用。
2024-09-03 cs.LG
A Multi-faceted Semi-Synthetic Dataset for Automated Cyberbullying Detection
School of Computing, Queen’s University（女王大学计算学院）；Iqra University（伊克拉大学）
本文针对自动化网络欺凌检测缺乏标准化数据集的问题，构建了一个包含攻击性、重复性、同伴关系和伤害意图等核心要素的广泛半合成数据集，详细介绍了其创建方法并公开数据以促进透明度、复现及更广泛的研究应用。
2024-02-09 cs.CL cs.LG cs.SI
SynCircuit: Automated Generation of New Synthetic RTL Circuits Can Enable Big Data in Circuits
Hong Kong University of Science and Technology（香港科技大学）
针对电路设计数据匮乏制约AI辅助IC设计发展的问题，本研究提出SynCircuit框架，通过定制扩散模型、约束优化和MCTS三步生成有效合成RTL电路，提升下游任务ML模型性能。
2025-08-26 cs.AI cs.LG
Provably Improving Generalization of Few-Shot Models with Synthetic Data
FPT Software AI Center（FPT软件人工智能中心）；Hanoi University of Science（河内科学大学）；VinUniversity（文大学）；University of Warwick（沃里克大学）
针对少样本分类中合成数据导致的性能下降问题，提出一种集成原型学习的理论框架算法，优化数据划分与模型训练，有效弥合真实与合成数据分布差距并显著提升泛化性能。
2025-06-25 cs.CV cs.LG
Present and Future Generalization of Synthetic Image Detectors
Barcelona Supercomputing Center（巴塞罗那超级计算中心）
本研究通过系统性分析数据源多样性等因素对合成图像检测器泛化能力的影响，制定训练鲁棒检测器的实用指南，经基准测试发现当前检测器无通用有效性并提出缺陷解决方案以提升其真实部署性能。
2024-11-26 cs.AI cs.CV cs.LG
Utility Theory of Synthetic Data Generation
University of California, Los Angeles（加州大学洛杉矶分校）；Purdue University（普渡大学）
本文建立了合成数据生成的效用理论，证明在适当模型设定下合成数据分布无需与真实数据相似即可保证泛化能力和一致的模型比较，并通过实验验证了该理论。
2025-04-03 cs.LG stat.ML
Automated Biodesign Engineering by Abductive Meta-Interpretive Learning
Imperial College London（帝国理工学院）
人工智能（AI）在合成生物学中的应用将为创建高通量自动化遗传设计平台提供基础，其中使用学习机通过设计-构建-测试-学习（DBTL）循环迭代优化系统。然而，以深度学习为代表的主流机器学习技术缺乏表示关系知识的能力，并且需要大量带注释的训练数据。这些缺点严重限制了人工智能在合成生物学中的作用，其中实验本身就是资源和时间密集型的。在这项工作中，我们提出了一个自动化的生物设计工程框架授权的溯因元解释学习（$Meta_{Abd}$），一种新的机器学习方法，其结合了符号和子符号机器学习，以通过使学习机器能够1）利用领域知识并学习由诸如一阶逻辑的形式语言表达的人类可解释的模型来进一步增强DBTL循环; 2）同时优化模型的结构和参数，以进行准确的数值预测; 3）通过主动生成假设和示例，减少实验成本和数据注释工作。为了验证$Meta_{Abd}$的有效性，我们模拟了一个合成数据集，用于从微生物宿主中的三基因操纵子生产蛋白质，这代表了一个常见的合成生物学问题。
2021-05-17 cs.AI cs.LG
Automated Detection of hidden Damages and Impurities in Aluminum Die Casting Materials and Fibre-Metal Laminates using Low-quality X-ray Radiography, Synthetic X-ray Data Augmentation by Simulation, and Machine Learning
University of Bremen（不来梅大学）；University of Siegen（锡根大学）；Fraunhofer IFAM（弗劳恩霍夫制造技术和先进材料研究所）
本文针对层状复合材料和铝压铸材料中隐藏损伤难以检测的问题，提出利用X射线成像、数据仿真及卷积神经网络与LSTM自编码器等机器学习方法，通过合成数据训练鲁棒特征检测器，推动实验室检测技术向现场可用技术转变。
2023-11-17 cs.CV cs.LG eess.IV
Autoencoder for Synthetic to Real Generalization: From Simple to More Complex Scenes
IEE S.A.（IEE股份公司）；University of Kaiserslautern（凯泽斯劳滕大学）；German Research Center for Artificial Intelligence（德国人工智能研究中心）
在合成数据上学习并将所得属性转移到其真实对应物是机器学习中降低成本和提高安全性的重要挑战。在这项工作中，我们专注于自动编码器架构，旨在学习潜在的空间表示，这些空间表示对由模拟图像和真实图像之间的域移位引起的诱导偏差是不变的，这些域移位显示了相同的场景。我们只对合成图像进行训练，提出了提高泛化能力的方法，并提高了对增加视觉复杂性的真实数据集的语义的保留。我们表明，预先训练的特征提取器（例如VGG）可以足够用于较低复杂度的图像的泛化，但对于视觉上更复杂的场景需要额外的改进。为此，我们展示了一种新的采样技术，它匹配图像的语义重要部分，而随机化的其他部分，导致显着的特征提取和忽略不重要的部分。这有助于推广到真实数据，我们进一步表明，我们的方法优于微调的分类模型。
2022-04-01 cs.CV cs.LG
Synthetic Lung Nodule 3D Image Generation Using Autoencoders
Colorado State University（科罗拉多州立大学）
将机器学习技术与医疗数据一起使用的挑战之一是经常缺乏用于训练的源图像数据。一个代表性的例子是自动肺癌诊断，其中结节图像需要被分类为可疑或良性。在这项工作中，我们提出了一个自动合成肺结节图像生成器。我们的3D形状生成器旨在增加3D图像的多样性。我们提出的系统扎根于自动编码器技术，我们提供了广泛的实验表征，证明了它的能力，以产生高质量的合成图像。
2019-09-09 cs.CV cs.LG stat.ML
Generation of Realistic Synthetic Raw Radar Data for Automated Driving Applications using Generative Adversarial Networks
Facens University（法肯斯大学）；Technische Hochschule Ingolstadt（英戈尔施塔特工业大学）；FernUniversität in Hagen（哈根函授大学）
本文提出用生成对抗网络快速生成FMCW合成原始雷达数据，以摩托车距离和高斯噪声为输入生成16个同时chirp，经FID、RA图及目标检测验证其逼真性，可缩小仿真与现实差距并支持数据增强。
2023-08-08 cs.AI cs.CV cs.LG
Learning to Prove from Synthetic Theorems
DeepMind（深度思维）
将机器学习应用于自动化定理证明的一个主要挑战是训练数据的稀缺性，这是训练成功的深度学习模型的关键因素。为了解决这个问题，我们提出了一种方法，该方法依赖于从一组公理生成的合成定理的训练。我们表明，这样的定理可以用来训练一个自动化的证明和证明成功转移到人类产生的定理。我们证明了一个专门训练合成定理的证明器可以解决TPTP中的大部分问题，TPTP是一个用于比较最先进的启发式证明器的基准数据集。我们的方法在大多数公理集上都优于在人类生成的问题上训练的模型，从而显示出使用合成数据完成这项任务的希望。
2020-06-19 cs.LG cs.LO
Efficient Motion Planning for Automated Lane Change based on Imitation Learning and Mixed-Integer Optimization
Beijing Institute of Technology（北京理工大学）；McGill University（麦吉尔大学）
智能运动规划是自动驾驶汽车的核心组成部分之一，受到了广泛的关注。传统的运动规划方法在最优性、效率和泛化能力方面存在一些缺陷。基于采样的方法不能保证生成的轨迹的最优性。而基于优化的方法不能够实时地进行运动规划，并且受到简化形式化的限制。在这项工作中，我们提出了一种基于学习的方法来处理这些缺点。基于混合二次优化问题（MIQP）生成最优换道轨迹，作为基于学习的动作生成算法的训练数据集。设计了一种分层监督学习模型来进行快速换道决策。大量的实验已经进行了评估所提出的方法的最优性，效率和泛化能力。实验结果表明，该模型优于几种常用的运动规划基线。
2020-05-08 cs.LG cs.RO stat.ML
Automated Spectral Kernel Learning
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）
本文提出一种非平稳谱核学习框架，使核依赖于输入和输出，并推导了基于Rademacher复杂度的泛化误差界，实验验证了其有效性。
2020-02-24 cs.LG stat.ML
Automated Synthesis and Adversarial Validation of Executable Causal Research Pipelines
研究聚焦自动化研究系统隐性失败问题，核心方法是提出ARA框架，集成多环节到统一管道，将自然语言问题转化为可执行代码并评估。主要贡献是改变失败模式，强调有效性优先的自动化科学系统评估应综合考量答案准确性及因果声明合理性。
2026-07-24 cs.LG
Beyond Real Data: Synthetic Data through the Lens of Regularization
Apple（苹果公司）；University of Oxford（牛津大学）；Big Data Institute（大数据研究所）
本文通过正则化视角研究合成数据与真实数据的平衡，提出学习理论框架量化两者权衡，分析最优比例以最小化测试误差，并在CIFAR-10和临床脑MRI数据集上验证U型行为，扩展至领域适应场景。
2026-03-31 cs.LG stat.ML
Search Wide, Focus Deep: Automated Fetal Brain Extraction with Sparse Training Data
Harvard Medical School（哈佛医学院）；Massachusetts General Hospital（麻省总医院）；Pediatric Imaging Research Center（儿科影像研究中心）
针对稀疏标记数据下胎儿脑MRI提取假阳性高的问题，提出结合广度优先搜索定位与深度聚焦滑动窗口细化的测试时策略，在合成数据训练下于多类胎儿MRI扫描中达到或超越现有方法水平。
2024-10-29 cs.CV cs.LG eess.IV
Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning
Rice University（莱斯大学）；Texas A&M University（德州农工大学）
不平衡学习是数据采掘中的一个基本挑战，其中每个类中的训练样本的比例不成比例。过采样是一种通过为少数类生成合成样本来解决不平衡学习的有效技术。虽然已经提出了许多过采样算法，但它们严重依赖于统计学，这可能是次优的，因为我们可能需要不同的采样策略用于不同的数据集和基本分类器，并且它们不能直接优化性能指标。基于此，我们研究开发一种基于学习的过采样算法来优化分类性能，这是一项具有挑战性的任务，因为决策空间巨大且具有层次性。在高层次上，我们需要决定生成多少合成样本。在低级别，我们需要确定合成样本应该位于何处，这取决于高级别决策，因为样本的最佳位置可能因样本数量不同而不同。为了应对这些挑战，我们提出了AutoSMOTE，这是一种自动过采样算法，可以联合优化不同级别的决策。受SMOTE~ \cite{chawla2002smote}及其扩展的成功启发，我们将生成过程表示为马尔可夫决策过程（MDP），该过程由三个级别的策略组成，以在SMOTE搜索空间内生成合成样本。然后，我们利用深层强化学习来优化验证数据的性能指标。在六个真实数据集上的大量实验表明，AutoSMOTE的性能明显优于最先进的恢复算法。代码位于https://github.com/daochenzha/autosmote
2022-08-26 cs.LG
Score-informed Music Source Separation: Improving Synthetic-to-real Generalization in Classical Music
Tampere University（塔尔皮奥大学）
本文针对古典音乐源分离任务，提出两种利用乐谱信息的方法：乐谱与幅度谱图拼接输入和仅用乐谱计算分离掩码，在合成数据上训练并在真实录音数据集上验证，发现仅用乐谱的模型显著提升了合成到真实的泛化能力。
2025-06-03 cs.LG cs.SD eess.AS
AutoSynth: Automated Workflow Optimization for High-Quality Synthetic Dataset Generation via Monte Carlo Tree Search
Shanghai Innavation Institute（上海创新研究院）；Shanghai Institute of AI for Education（上海人工智能教育研究院）；Department of Education Information Technology（教育信息技术部）；School of Computer Science and Technology（计算机科学与技术学院）
针对LLM特定任务SFT需高质量数据集但人工整理昂贵、现有合成数据工作流自动化方法存在冷启动问题的挑战，提出AutoSynth框架，通过蒙特卡洛树搜索与无数据集混合奖励实现无参考数据集的工作流优化，在主观教育任务中减少90%以上人工并生成数据训练模型显著优于基线。
2025-11-12 cs.LG
Automated quantum programming via reinforcement learning for combinatorial optimization
Stanford University（斯坦福大学）；Rigetti Computing（里盖蒂计算公司）
我们开发了一种基于激励的混合量子经典计算系统的编程方法，使用强化学习，并将其应用于解决模拟和真实的基于门的量子计算机上的组合优化问题。相对于一组随机生成的问题实例，通过强化学习技术训练的智能体能够生成短量子程序，这些程序在两种类型的量子资源上生成高质量的解决方案。我们观察到泛化到训练集之外的问题，以及从模拟量子资源到物理量子资源的泛化。
2019-08-21 cs.LG quant-ph
Fragment-based molecular generative model with high generalization ability and synthetic accessibility
HITS incorporation（HITS 公司）；Department of Chemistry, KAIST（韩国科学技术院化学系）；KI for Artificial Intelligence, KAIST（韩国科学技术院人工智能研究院）
深度生成模型在分子设计中具有重要的应用价值。大多数现有的模型通过顺序添加原子来生成分子。这通常使得生成的分子与靶特性的相关性较小，并且合成可及性低。官能团等分子片段与分子性质和合成可及性的关系比原子更密切。在这里，我们提出了一个基于片段的分子生成模型，通过顺序添加分子片段到任何给定的起始分子中来设计具有目标特性的新分子。我们的模型的一个关键特征是在属性控制和片段类型方面具有很高的泛化能力。前者通过以自回归方式学习各个片段对目标属性的贡献而成为可能。对于后者，我们使用了一个深度神经网络，该网络从两个分子的嵌入向量作为输入来预测两个分子的键合概率。在用金砖国家分解方法制备片段库时，隐含地考虑了所生成分子的高合成可及性。我们表明，该模型可以产生分子的同时控制多个目标属性在一个高的成功率。即使在训练数据很少的属性范围内，它也同样适用于看不见的片段，验证了高泛化能力。作为一个实际应用，我们证明了该模型可以产生潜在的抑制剂，对SARS-COV-2的3CL蛋白酶的对接得分方面的高结合亲和力。
2021-11-25 cs.LG
Synthetic Data Reveals Generalization Gaps in Correlated Multiple Instance Learning
Tufts University（塔夫茨大学）
针对传统多实例学习（MIL）忽略实例上下文关系的问题，本文设计了需考虑相邻实例特征的合成分类任务，量化现有MIL方法与最优贝叶斯估计器的性能差距，发现新关联MIL方法在万级样本训练下仍未达最佳性能。
2025-11-12 cs.LG
Synthetic DOmain-Targeted Augmentation (S-DOTA) Improves Model Generalization in Digital Pathology
PathAI Inc（PathAI公司）
研究提出S-DOTA方法（包括ST和SVA），通过CycleGAN和染色向量增强提升数字病理学模型在多域、多任务下的泛化能力，显著优于ICC校准和基线方法。
2023-05-03 cs.CV cs.LG
Evaluating Synthetic Data for Baggage Trolley Detection in Airport Logistics
Information Systems and Development Department, Algiers Airport（阿尔及利亚阿尔及尔机场信息系统与开发部门）
本文提出基于数字孪生的合成数据生成方法，通过混合训练策略提升机场推车检测性能，减少注释工作量25-35%。
2026-03-08 cs.AI cs.CV cs.LG
Towards a Theoretical Understanding of Synthetic Data in LLM Post-Training: A Reverse-Bottleneck Perspective
本文从反向瓶颈视角对LLM后训练中的合成数据进行理论建模，提出基于互信息的泛化增益（GGMI）概念，揭示信息增益与泛化能力的关系，为合成数据生成与后训练优化提供理论指导。
2025-02-06 cs.AI cs.CL cs.LG
Graph Convolutional Neural Networks for Automated Echocardiography View Recognition: A Holistic Approach
University of Oslo（奥斯陆大学）；GE Vingmed Ultrasound, GE Healthcare（GE医疗GE Vingmed超声部门）；GE Research（GE研究中心）
本文提出结合图卷积三维心脏网格重建与对抗去噪扩散生成合成超声图像的整体方法，用于自动超声心动图切面识别及结构检测，并验证其临床应用潜力。
2024-03-01 cs.CV cs.LG eess.IV
Machine Learning Automated Approach for Enormous Synchrotron X-Ray Diffraction Data Interpretation
Pacific Northwest National Laboratory（西北太平洋国家实验室）；Washington State University（华盛顿州立大学）；University of Rochester（罗切斯特大学）
针对含液相原位实验的低质量μ-XRD mapping数据解析难题，研究发现仅用合成XRD训练的DNN模型准确率最低仅64%，加入少量标记实验数据训练后准确率提升至90%以上，证明了标记实验图谱的重要性。
2023-03-20 cond-mat.dis-nn cs.LG
Data-Driven Fairness Generalization for Deepfake Detection
Florida State University（佛罗里达州立大学）；Oklahoma State University（俄克拉荷马州立大学）
本文提出一种数据驱动框架，通过合成多样化人口群体数据、损失锐度感知优化和多任务学习，解决深度伪造检测中的公平性泛化问题，并在跨数据集评估中超越现有方法。
2024-12-31 cs.AI cs.CV cs.CY
Not All Synthetic Data Are Equal: Expert-Committee Audit Screening for Imbalanced Crash-Injury-Severity Prediction in Automated Driving Systems
Ningbo University（宁波大学）；Imperial College London（帝国理工学院）；The University of Hong Kong（香港大学）；University College London（伦敦大学学院）
针对自动驾驶碰撞伤害严重性预测中数据不平衡与合成样本可信度不足的问题，提出专家委员会审计筛选（ECAS）框架，通过多维审计与帕累托筛选提升少数类样本质量，显著改善预测性能。
2026-09-25 cs.LG
Automated Camera Calibration via Homography Estimation with GNNs
Eindhoven University of Technology（埃因霍温理工大学）
针对交通监控相机的自动精准标定需求，提出利用路口拓扑结构、结合虚拟相机构图与图神经网络估计单应性矩阵以获取外参的标定框架，在合成与真实场景下均达当前最优性能。
2023-11-05 cs.AI cs.CV cs.LG
TimeTox: An LLM-Based Pipeline for Automated Extraction of Time Toxicity from Clinical Trial Protocols
TimeTox通过Gemini模型三阶段提取临床试验协议中的时间毒性，验证了两阶段流程在真实数据中的高稳定性和准确性，展示了LLM在医疗领域应用的潜力。
2026-03-24 cs.CL cs.LG
Generalizing Decision Making for Automated Driving with an Invariant Environment Representation using Deep Reinforcement Learning
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（FZI信息技术研究中心）
应用于自动驾驶的数据驱动决策方法需要适当的泛化策略，以确保适用于世界的变化。当前的方法要么不能很好地概括超出训练数据的范围，要么不能考虑可变数量的交通参与者。因此，我们提出了一个不变的环境表示的角度来看，自我车辆。该表示对安全决策所需的所有信息进行编码。为了评估新的环境表示的泛化能力，我们训练我们的代理人在一个小的子集的情况下，并评估整个不同的情况。在这里，我们表明，代理人能够成功地推广到看不见的情况下，由于抽象。此外，我们提出了一个简单的闭塞模型，使我们的代理导航与闭塞的交叉点，而没有显着的性能变化。
2021-05-31 cs.LG
Fill In The Gaps: Model Calibration and Generalization with Synthetic Data
School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）；School of Mathematical and Natural Sciences, Arizona State University（亚利桑那州立大学数学与自然科学学院）
针对现有校准方法因验证数据缺乏多样性而降低模型泛化能力的问题，提出一种利用大型语言模型生成合成数据的校准方法，通过PAC框架推导ECE边界，在四项NLP任务上使准确率提升达34%且ECE降低33%。
2024-10-07 cs.AI cs.CL cs.LG
GraphUniverse: Synthetic Graph Generation for Evaluating Inductive Generalization
Universitat Politècnica de Catalunya（巴塞罗那理工大学）；University of California Santa Barbara（加州大学圣巴巴拉分校）
GraphUniverse通过生成具有持久语义社区的合成图，系统评估了归纳泛化能力，揭示了强传递性表现与归纳泛化能力的关联性不足，以及分布偏移鲁棒性对模型架构和初始图阶段的敏感性。
2026-02-28 cs.AI cs.LG
Gradient Compression May Hurt Generalization: A Remedy by Synthetic Data Guided Sharpness Aware Minimization
Department of Information and Communication Engineering, Zhejiang University（浙江大学信息与通信工程学院）；Zhejiang Provincial Key Laboratory of Multi-Modal Communication Networks and Intelligent Information Processing（浙江省多模态通信网络与智能信息处理重点实验室）；Department of Electrical and Computer Engineering, North Carolina State University（北卡罗来纳州立大学电子与计算机工程系）
本文提出FedSynSAM，通过合成数据引导尖锐性感知最小化，解决联邦学习中梯度压缩导致泛化能力下降的问题。
2026-02-12 cs.AI cs.LG
Fast and fully-automated histograms for large-scale data sets
Université Paris 1 Panthéon-Sorbonne（巴黎第一大学先贤祠-索邦）；Orange Labs（橙色实验室）；Université Paris-Dauphine, PSL University（巴黎文理研究大学巴黎多芬纳大学）；CNRS（法国国家科学研究中心）
G-Enum直方图是一种新的快速和全自动的不规则直方图构建方法。通过将直方图构建框架为密度估计问题及其自动化作为模型选择任务，这些直方图利用最小描述长度原则（MDL）导出两个不同的模型选择标准。关于这些标准的几个已证明的理论结果给出了关于它们的渐近行为的见解，并用于加速它们的优化。这些见解，结合一个贪婪的搜索启发式，被用来构建直方图在线性时间，而不是多项式时间由以前的作品所引起的。参考文献中的其他全自动方法，无论是合成和大型现实世界的数据集的能力，所提出的MDL密度估计方法的说明。
2022-12-27 cs.LG math.ST stat.ML
An Automated Machine Learning Approach for Detecting Anomalous Peak Patterns in Time Series Data from a Research Watershed in the Northeastern United States Critical Zone
University of Vermont（佛蒙特大学）
针对流域传感器时间序列峰值异常检测依赖标注数据且模型难选的问题，提出基于TimeGAN合成数据与超参数优化的AutoML框架，可按准确率和成本偏好从五种模型中自动选出最优实例。
2023-12-05 cs.AI cs.LG
Automated data-driven approach for gap filling in the time series using evolutionary learning
ITMO University（ITMO大学）
在本文中，我们提出了一个自适应的数据驱动的基于模型的方法来填补时间序列中的差距。该方法是基于复合数据驱动模型的最佳结构的自动进化识别。它允许在没有数据科学家参与的情况下调整模型，以有效地填补特定数据集中的空白。作为案例研究，使用了来自不同领域（环境，经济等）的合成和真实数据集。实验结果表明，该方法可以实现更高质量的间隙恢复，提高预测模型的有效性。
2021-07-20 cs.LG
Exploration of Incremental Synthetic Non-Morphed Images for Single Morphing Attack Detection
Dept. Ing. Industrial Universidad de Santiago（工业工程系，圣地亚哥大学）；LAETEC - UPLA Universidad de Playa Ancha Valparaíso, Chile（LAETEC - UPLA，瓦尔帕莱索大学）；Facultad de Ingeniería Universidad Andres Bello（工程学院，安德烈斯·贝洛大学）
本文研究利用合成人脸数据增强单变形攻击检测（S-MAD）的泛化能力，发现受控引入合成图像可改善性能，但仅依赖合成数据会导致次优结果。
2025-10-10 cs.CR cs.CV cs.LG
