数据增强相关 AI 资讯

7月8日

11:51

官方账号arXiv cs.LG@Marwan Lazrag, Badis Hammi, Lorena Gonzalez-Manzano, Joaquin Garcia-Alfaro

该论文研究了投毒攻击对增强3D点云公共数据集在网联自动驾驶汽车中的操作影响。实验使用GAN进行数据增强，发现增强过程无法完全消除投毒样本，后门攻击仍能绕过防护。投毒数据会传播到增强后的数据集，导致点云分类器（例如PointNet）出现误分类。所有工具、数据集和分类器均已公开以支持复现。

推荐理由：这篇论文用具体实验证明，GAN数据增强挡不住针对自动驾驶3D点云的投毒攻击，后门照样能影响分类器，值得搞AI安全的人看看。

原文

7月3日

11:25

官方账号arXiv cs.AI@Yuquan Xue, Le Xu, Zeyi Liu, Zhenyu Wu, Zhengyi Gu, Xinyang Song, Bofang Jia, Ziwei Wang

WorldSample 提出一种物理基础的数据增强框架，通过世界模型生成高保真合成轨迹，解决真实机器人强化学习交互成本高的问题。在接触性和精密机器人操作任务中，WorldSample 将策略成功率提升 28%，训练步数减少 59%。世界模型视觉保真度提升 19.4dB PSNR 和 0.47 SSIM，验证了真实-合成循环的有效性。

论文 WorldSample 强化学习世界模型机器人数据增强

推荐理由：机器人强化学习的新思路，WorldSample 用世界模型生成合成数据，成功率提28%还省了59%训练时间，值得一看。

原文

09:23

官方账号arXiv cs.LG@Max Weltevrede, Matthijs T. J. Spaan, Wendelin Böhmer

论文证明在上下文MDP中，过度悲观不会阻碍最优泛化，但必须尊重最优解的对称性。通过理论分析，适度悲观但非对称的值函数可能比过度悲观且对称的值函数泛化更差。数据增强应通过在策略提取时施加一致性损失来提升泛化，而非在增强数据集上常规训练。使用IQL和CQL在旋转对称reacher环境中验证了该方法。

论文离线强化学习泛化数据增强对称性 IQL

推荐理由：这篇论文用理论和实验告诉你，离线RL里悲观多少不重要，悲观的结构对不对才关键，还给出了数据增强的正确用法。

原文

7月1日

11:35

官方账号arXiv cs.LG@Nikolai Röhrich, Julian Gleißner, Ahmed H. A. Ibrahim, Silvan Mertes, Tobias Huber

该论文提出一种不确定性引导的合成上下文增强策略，利用基线分割器的预测熵识别不确定语义区域，仅对互补视觉上下文进行修补。在Cityscapes、UAVID和BDD100K数据集上，微调后mIoU分别提升1.2%、2.1%和1.8%，尤其在公交车、火车和汽车等稀有类别上增益最大。该方法无需外部模型，严格保持标签有效性，且计算损失时仅基于原始像素。

论文扩散模型 Cityscapes 语义分割数据增强不确定性

推荐理由：搞语义分割的可以试试这个，它只增强模型犯难的区域，在几个自动驾驶数据集上提点挺明显，尤其是稀有类别。

原文

11:10

官方账号arXiv cs.LG@Cesar Roder, Kajetan Schweighofer

深度神经网络分类器常因依赖训练数据中的虚假背景特征而导致泛化失败。新方法AutoBackSwap通过辅助网络分离前景和背景，并用填充方式生成完整背景，然后将不同前景与填充背景组合来增强训练数据。仅需几百个样本的补丁标注即可训练辅助网络，并自动增强整个数据集。在多个具有虚假背景的图像分类任务上，AutoBackSwap始终优于先前方法，即使在训练数据中没有任何打破虚假相关性的样本时也有效。

论文 AutoBackSwap 图像分类虚假相关性数据增强模型鲁棒性

推荐理由：这篇论文提出了AutoBackSwap，只用几百张图片的标注就能让模型不依赖背景，效果比之前的方法都好，做图像分类的值得一看。

原文

6月24日

11:45

官方账号arXiv cs.LG@Parth Upman, Shreyank N Gowda

QC-SMOTE提出一种质量控制过采样框架，通过复合邻域信任度评分估计少数类样本可靠性。生成候选样本时采用IPQ引导的最佳K策略，评估中点纯度并考虑多数类清除。方法根据重叠-不平衡程度自适应调整插值范围和选择标准。在30个不平衡数据集上的重复分层交叉验证显示，QC-SMOTE在平均AUC-ROC和Macro F1上优于对比过采样方法，在中度和严重不平衡下提升尤为明显。

论文 QC-SMOTE SMOTE 不平衡分类过采样数据增强

推荐理由：这篇论文提出了QC-SMOTE，在30个数据集上比传统SMOTE获得更好的AUC和F1分数，特别适合处理中度到高度不平衡的数据。

原文

6月10日

09:33

官方账号arXiv cs.LG@Artur Kuramshin, Özgür Aslan, Cyrus Neary, Glen Berseth

精选

机器人学习中的大规模策略在操作任务上表现优异，但指令跟随能力不足，主要原因是现有数据集缺乏语言和动作序列多样性。TREAD提出一种可扩展框架，利用大型视觉语言模型（VLM）对现有机器人数据集进行重标注，无需额外数据采集。该方法通过三个步骤：从原始指令生成语义子任务、基于子任务分割演示视频、生成包含物体属性的多样化指令，将长演示分解为语言-动作对。实验表明，在LIBERO基准上，使用TREAD增强数据训练的策略在未见任务和目标上表现更好，提升了规划泛化和语言条件策略泛化能力。

论文机器人学习数据增强 VLM 指令跟随泛化

推荐理由：做机器人数据增强和指令跟随的团队，TREAD用VLM低成本提升数据集质量，直接增强策略泛化，值得在LIBERO等基准上试试。

原文

09:29

官方账号arXiv cs.LG@Jakob Galley, Vahid Shahverdi, Axel Flinth

精选

该研究探讨了训练数据的对称性是否会在神经网络的梯度流训练中产生守恒量。作者证明，在损失函数为解析且非多项式的一般情况下，数据对称性通常不会引入额外的运动积分。但对于均方误差（MSE）损失，数据增强有时会产生额外的守恒量。研究通过引入“可张量化网络”框架来描述这一现象，这类架构包括线性网络、多项式网络以及Lightning Attention。

论文神经网络对称性守恒律数据增强梯度流

推荐理由：这项研究澄清了数据对称性与神经网络训练动力学之间的深层关系，对理解数据增强的理论基础有重要意义。做理论研究的机器学习学者值得关注，它可能影响你对数据增强策略的设计思路。

原文

6月3日

10:25

官方账号arXiv cs.AI@Máté Gedeon, Péter Mihajlik

低资源语言和垂直领域的对话式语音识别受限于多说话人训练数据稀缺。研究者提出一种数据增强流水线：先由LLM生成带参与者元数据的场景级对话，再将说话人属性映射到TTS语音配置，最后组装成说话人感知的合成对话。在匈牙利语BEA-Dialogue基准上，仅用67小时真实对话加636小时合成数据训练的模型，性能超过用2700小时真实语音训练的零样本模型。该方法适用于任何语言，且LLM生成器选择和合成数据组成对效果影响显著。

论文语音识别数据增强低资源语言 TTS LLM

推荐理由：低资源语言ASR团队终于有了可落地的数据增强方案——用LLM+TTS生成对话数据，效果堪比数倍真实数据。做多说话人语音识别的开发者值得一试，尤其适合匈牙利语等小语种场景。

原文

5月25日

11:15

官方账号arXiv cs.AI@Rim Assouel, Amir Bar, Michal Drozdzal, Adriana Romero-Soriano

精选

多模态大语言模型在细粒度视觉理解上仍有不足。研究者提出PGT框架，通过在图像上叠加几何基元生成密集监督信号，分离视觉定位与语义先验。实验显示，在LLaVA-v1.5-Instruct上加入PGT数据后，What'sUp基准提升20%，CV-Bench-2D提升13.3%，且不影响通用感知能力。在先进MLLM上微调也带来最高8.3%的提升。结果表明，许多空间推理缺陷源于监督信号不足，而非架构或分辨率限制。

论文多模态大语言模型视觉定位数据增强细粒度理解 PGT

推荐理由：PGT用低成本数据生成解决了MLLM细粒度视觉理解的瓶颈，做多模态模型训练或评估的团队可以直接用这个框架提升定位能力，值得一试。

原文

5月12日

19:10

官方账号arXiv cs.AI@Md. Sultan Al Rayhan, Maheen Islam

本文提出一种基于自信度引导的扩散增强框架，用于改善低分辨率孟加拉手写复合字符识别。该框架结合类别条件扩散建模与分类器引导，合成高质量手写样本。在U-Net结构中加入Squeeze-and-Excitation残差块提升生成质量，并采用自信度过滤机制保留高一致性样本。在AIBangla数据集上，ResNet50、DenseNet121、VGG16和Vision Transformer均取得一致提升，最佳模型准确率达89.2%，大幅超越此前基准。这表明质量感知的扩散增强能有效提升低资源语种文字识别性能。

论文低资源语种手写识别扩散模型数据增强孟加拉语

推荐理由：该研究为低资源语种手写识别提供了一种实用的数据增强思路，结合扩散模型与自信度过滤，方法通用且效果显著，对同类任务有参考价值。

原文