什么是數據增強

數據增強（Data Augmentation）是一種通過讓有限的數據產生更多的等價數據來人工擴展訓練數據集的技術。它是克服訓練數據不足的有效手段，目前在深度學習的各個領域中應用廣泛。但是由于生成的數據與真實數據之間的差異，也不可避免地帶來了噪聲問題。

為什么需要數據增強

深度神經網絡在許多任務中表現良好，但這些網絡通常需要大量數據才能避免過度擬合。遺憾的是，許多場景無法獲得大量數據，例如醫學圖像分析。數據增強技術的存在是為了解決這個問題，這是針對有限數據問題的解決方案。數據增強一套技術，可提高訓練數據集的大小和質量，以便您可以使用它們來構建更好的深度學習模型。在計算視覺領域，生成增強圖像相對容易。即使引入噪聲或裁剪圖像的一部分，模型仍可以對圖像進行分類，數據增強有一系列簡單有效的方法可供選擇，有一些機器學習庫來進行計算視覺領域的數據增強，比如：imgaug(https://github.com/aleju/imgaug)它封裝了很多數據增強算法，給開發者提供了方便。但是在自然語言處理領域中，由于自然語言本身是離散的抽象符號，微小的變化就可能會導致含義的巨大偏差，所以數據增強算法并不常用。很多自然語言處理任務在真正落地的時候，往往會遇到數據量不足的問題，自然語言的數據增強算法值得我們深入研究。接下來我們先介紹計算視覺領域的數據增強方法，再介紹自然語言處理領域的數據增強算法，希望能對大家有所啟發。

計算視覺數據增強

計算視覺領域的數據增強算法大致可以分為兩類：第一類是基于基本圖像處理技術的數據增強，第二個類別是基于深度學習的數據增強算法。

下面先介紹基于基本圖像處理技術的數據增強方法：

幾何變換（Geometric Transformations）：由于訓練集與測試集合中可能存在潛在的位置偏差，使得模型在測試集中很難達到訓練集中的效果，幾何變換可以有效地克服訓練數據中存在的位置偏差，而且易于實現，許多圖像處理庫都包含這個功能。

顏色變換（Color Space）：圖片在輸入計算機之前，通常會被編碼為張量（高度×寬度×顏色通道），所以可以在色彩通道空間進行數據增強，比如將某種顏色通道關閉，或者改變亮度值。

旋轉 | 反射變換（Rotation/Reflection）：選擇一個角度，左右旋轉圖像，可以改變圖像內容朝向。關于旋轉角度需要慎重考慮，角度太大或者太小都不合適，適宜的角度是1度 到 20度。

噪聲注入（Noise Injection）：從高斯分布中采樣出的隨機值矩陣加入到圖像的RGB像素中，通過向圖像添加噪點可以幫助CNN學習更強大的功能。

內核過濾器（Kernel Filters）：內核濾鏡是在圖像處理中一種非常流行的技術，比如銳化和模糊。將特定功能的內核濾鏡與圖像進行卷積操作，就可以得到增強后的數據。直觀上，數據增強生成的圖像可能會使得模型面對這種類型的圖像具有更高的魯棒性。

混合圖像（Mix）：通過平均圖像像素值將圖像混合在一起是一種非常違反直覺的數據增強方法。對于人來說，混合圖像生成的數據似乎沒有意義。雖然這種方法缺乏可解釋性，但是作為一種簡單有效的數據增強算法，有一系列的工作進行相關的研究。Inoue在圖像每個像素點混合像素值來混合圖像，Summers和Dinneen又嘗試以非線性的方法來混合圖像，Takahashi和Matsubara通過隨機圖像裁剪和拼接來混合圖像，以及后來的mixup方法均取得了不錯的成果。

隨機擦除（Random Erasing）：隨機擦除是Zhong等人開發的數據增強技術。他們受到Dropout機制的啟發，隨機選取圖片中的一部分，將這部分圖片刪除，這項技術可以提高模型在圖片被部分遮擋的情況下性能，除此之外還可以確保網絡關注整個圖像，而不只是其中的一部分。

縮放變換（Zoom）：圖像按照一定的比例進行放大和縮小并不改變圖像中的內容，可以增加模型的泛化性能。

移動（Translation）：向左，向右，向上或向下移動圖像可以避免數據中的位置偏差，比如在人臉識別數據集合中，如果所有圖像都居中，使用這種數據增強方法可以避免可能出現的位置偏差導致的錯誤。

翻轉變換（Flipping）：通常是關于水平或者豎直的軸進行圖像翻轉操作，這種擴充是最容易實現的擴充，并且已經證明對ImageNet數據集有效。

裁剪（Cropping）：如果輸入數據集合的大小是變化的，裁剪可以作為數據預處理的一個手段，通過裁剪圖像的中央色塊，可以得到新的數據。在實際使用過程之中，這些數據增強算法不是只使用一種，而是使用一套數據增強策略，在AutoAugment這篇文章中，作者嘗試讓模型自動選擇數據增強策略。

第二個類別是基于深度學習的數據增強算法：

特征空間增強（Feature Space Augmentation）：神經網絡可以將圖像這種高維向量映射為低維向量，之前討論的所有圖像數據增強方法都應用于輸入空間中的圖像。現在可以在特征空間進行數據增強操作，例如：SMOTE算法，它是一種流行的增強方法，通過將k個最近的鄰居合并以形成新實例來緩解類不平衡問題。

對抗生成（Adversarial Training）：對抗攻擊表明，圖像表示的健壯性遠不及預期的健壯性，Moosavi-Dezfooli等人充分證明了這一點。對抗生成可以改善學習的決策邊界中的薄弱環節，提高模型的魯棒性。

基于GAN的數據增強（GAN-based Data Augmentation）：使用 GAN 生成模型來生成更多的數據，可用作解決類別不平衡問題的過采樣技術。

神經風格轉換（Neural Style Transfer）：通過神經網絡風格遷移來生成不同風格的數據，防止模型過擬合。

如果想要閱讀更多的細節，請參考這篇文章：

https://link.springer.com/article/10.1186/s40537-019-0197-0

自然語言處理數據增強

在自然語言處理領域，被驗證為有效的數據增強算法相對要少很多，下面我們介紹幾種常見方法。

同義詞詞典（Thesaurus）：Zhang Xiang等人提出了Character-level Convolutional Networks for Text Classification，通過實驗，他們發現可以將單詞替換為它的同義詞進行數據增強，這種同義詞替換的方法可以在很短的時間內生成大量的數據。

隨機插入（Randomly Insert）：隨機選擇一個單詞，選擇它的一個同義詞，插入原句子中的隨機位置，舉一個例子：“我愛中國” —> “喜歡我愛中國”。

隨機交換（Randomly Swap）：隨機選擇一對單詞，交換位置。

隨機刪除（Randomly Delete）：隨機刪除句子中的單詞。

語法樹結構替換：通過語法樹結構，精準地替換單詞。

加噪（NoiseMix） (https://github.com/noisemix/noisemix)：類似于圖像領域的加噪，NoiseMix提供9種單詞級別和2種句子級別的擾動來生成更多的句子，例如：這是一本很棒的書，但是他們的運送太慢了。->這是本很棒的書，但是運送太慢了。

情境增強（Contextual Augmentation）：這種數據增強算法是用于文本分類任務的獨立領域的數據擴充。通過用標簽條件的雙向語言模型預測的其他單詞替換單詞，可以增強監督數據集中的文本。

生成對抗網絡：利用生成對抗網絡的方法來生成和原數據同分布的數據，來制造更多的數據。在自然語言處理領域，有很多關于生成對抗網絡的工作：

Generating Text via Adversarial Training

GANS for Sequences of Discrete Elements with the Gumbel-softmax Distribution

SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient

回譯技術（Back Translation）：回譯技術是NLP在機器翻譯中經常使用的一個數據增強的方法。其本質就是快速產生一些翻譯結果達到增加數據的目的。回譯的方法可以增加文本數據的多樣性，相比替換詞來說，有時可以改變句法結構等，并保留語義信息。但是，回譯的方法產生的數據嚴重依賴于翻譯的質量。

擴句-縮句-句法：先將句子壓縮，得到句子的縮寫，然后再擴寫，通過這種方法生成的句子和原句子具有相似的結構，但是可能會帶來語義信息的損失。

無監督數據擴增（Unsupervised Data Augmentation）：通常的數據增強算法都是為有監督任務服務，這個方法是針對無監督學習任務進行數據增強的算法，UDA方法生成無監督數據與原始無監督數據具備分布的一致性，而以前的方法通常只是應用高斯噪聲和Dropout噪聲（無法保證一致性）。(https://arxiv.org/abs/1904.12848)

此外，這個倉庫(https://github.com/quincyliang/nlp-data-augmentation)中介紹了一些自然語言處理中的數據增強技術。

總結

數據增強是增大數據規模，減輕模型過擬合的有效方法，但是，數據增強不能保證總是有利的。在數據非常有限的域中，這可能導致進一步過度擬合。因此，重要的是要考慮搜索算法來推導增強數據的最佳子集，以便訓練深度學習模型。

雖然相比于計算視覺，自然語言處理領域中的數據增強應用更少，難度也要更大，但是同時也意味著更大的機遇。

審核編輯 ：李倩