数据增强
深度学习中通过对训练数据施加各种随机变换（翻转、旋转、裁剪、色彩抖动等）来人为扩充训练集多样性的正则化技术，用于提升模型泛化能力、减少过拟合
时间轴 (近 90 天)
数据增强在低资源NLP中并非完全无效，研究结论不能直接推广到所有任务；依赖篇章一致性的任务可能对增强更敏感，而句子级任务或许仍有收益。
论文区分了「表面鲁棒性」与「规则一致性」：前者可以通过数据增强提升，后者要求模型在领域扩展时保持概念结构不变。
解决训练数据代表性问题需要采用联邦学习、数据增强和领域自适应等技术，并在多样化的人群队列上进行外部验证。
学术界和工业界应对小样本缺陷检测的常用方法包括异常检测（如自编码器重构误差法）、数据增强与合成缺陷生成、迁移学习以及半监督/自监督学习。
缓解过拟合与提升泛化的手段包括数据增强（旋转、裁剪、调整亮度）、正则化、Dropout以及引入更多真实场景样本。
一项研究在四种低资源语言外加英语、五种不同数据规模的条件下，系统比较了两类数据增强手段，并将分析下沉到音素层级
用随机旋转样本训练的无约束图模型能降低坐标依赖，但无法彻底消除它
某些数据增强手段（如随机噪声、模糊）可能对特定任务产生负向影响，需要人工判断并剔除
图片、视频等多媒体内容无法被有意义地增强，导致违规样本天然稀少和模型冷启动困难
YOLO训练时默认集成Mosaic增强、MixUp和HSV色彩空间扰动等数据增强技巧
还有 5 条时间轴事件
全部知识事实 (15)
应对小数据集过拟合的常用策略包括数据增强、正则化技术（如Dropout、权重衰减）、早停法以及控制模型容量
60%待验证深度学习中Dropout可以被解释为一种贝叶斯近似
60%待验证数据增强在低资源NLP中并非完全无效，研究结论不能直接推广到所有任务；依赖篇章一致性的任务可能对增强更敏感，而句子级任务或许仍有收益。
50%待验证论文区分了「表面鲁棒性」与「规则一致性」：前者可以通过数据增强提升，后者要求模型在领域扩展时保持概念结构不变。
50%待验证解决训练数据代表性问题需要采用联邦学习、数据增强和领域自适应等技术，并在多样化的人群队列上进行外部验证。
50%待验证学术界和工业界应对小样本缺陷检测的常用方法包括异常检测（如自编码器重构误差法）、数据增强与合成缺陷生成、迁移学习以及半监督/自监督学习。
50%待验证缓解过拟合与提升泛化的手段包括数据增强（旋转、裁剪、调整亮度）、正则化、Dropout以及引入更多真实场景样本。
50%待验证一项研究在四种低资源语言外加英语、五种不同数据规模的条件下，系统比较了两类数据增强手段，并将分析下沉到音素层级
50%待验证用随机旋转样本训练的无约束图模型能降低坐标依赖，但无法彻底消除它
50%待验证某些数据增强手段（如随机噪声、模糊）可能对特定任务产生负向影响，需要人工判断并剔除
50%待验证图片、视频等多媒体内容无法被有意义地增强，导致违规样本天然稀少和模型冷启动困难
50%待验证YOLO训练时默认集成Mosaic增强、MixUp和HSV色彩空间扰动等数据增强技巧
50%待验证对于Minecraft皮肤这类结构化数据，数据增强策略需要特别设计，不能随意旋转纹理，因为UV布局有严格的方向性约束
50%待验证对于Minecraft皮肤这类结构化数据，数据增强不能随意旋转纹理，因为UV布局有严格的方向性约束
50%待验证针对天文低对比度图像的数据增强需考虑物理合理性，如模拟太阳临边昏暗效应、基于泊松噪声模型的物理噪声注入、薄板样条弹性形变
50%