什么是數(shù)據(jù)增強(qiáng)

數(shù)據(jù)增強(qiáng)（Data Augmentation）是一種通過讓有限的數(shù)據(jù)產(chǎn)生更多的等價數(shù)據(jù)來人工擴(kuò)展訓(xùn)練數(shù)據(jù)集的技術(shù)。它是克服訓(xùn)練數(shù)據(jù)不足的有效手段，目前在深度學(xué)習(xí)的各個領(lǐng)域中應(yīng)用廣泛。但是由于生成的數(shù)據(jù)與真實(shí)數(shù)據(jù)之間的差異，也不可避免地帶來了噪聲問題。

為什么需要數(shù)據(jù)增強(qiáng)

深度神經(jīng)網(wǎng)絡(luò)在許多任務(wù)中表現(xiàn)良好，但這些網(wǎng)絡(luò)通常需要大量數(shù)據(jù)才能避免過度擬合。遺憾的是，許多場景無法獲得大量數(shù)據(jù)，例如醫(yī)學(xué)圖像分析。數(shù)據(jù)增強(qiáng)技術(shù)的存在是為了解決這個問題，這是針對有限數(shù)據(jù)問題的解決方案。數(shù)據(jù)增強(qiáng)一套技術(shù)，可提高訓(xùn)練數(shù)據(jù)集的大小和質(zhì)量，以便您可以使用它們來構(gòu)建更好的深度學(xué)習(xí)模型。在計(jì)算視覺領(lǐng)域，生成增強(qiáng)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(jìn)行分類，數(shù)據(jù)增強(qiáng)有一系列簡單有效的方法可供選擇，有一些機(jī)器學(xué)習(xí)庫來進(jìn)行計(jì)算視覺領(lǐng)域的數(shù)據(jù)增強(qiáng)，比如：imgaug(https://github.com/aleju/imgaug)它封裝了很多數(shù)據(jù)增強(qiáng)算法，給開發(fā)者提供了方便。但是在自然語言處理領(lǐng)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(dǎo)致含義的巨大偏差，所以數(shù)據(jù)增強(qiáng)算法并不常用。很多自然語言處理任務(wù)在真正落地的時候，往往會遇到數(shù)據(jù)量不足的問題，自然語言的數(shù)據(jù)增強(qiáng)算法值得我們深入研究。接下來我們先介紹計(jì)算視覺領(lǐng)域的數(shù)據(jù)增強(qiáng)方法，再介紹自然語言處理領(lǐng)域的數(shù)據(jù)增強(qiáng)算法，希望能對大家有所啟發(fā)。

計(jì)算視覺數(shù)據(jù)增強(qiáng)

計(jì)算視覺領(lǐng)域的數(shù)據(jù)增強(qiáng)算法大致可以分為兩類：第一類是基于基本圖像處理技術(shù)的數(shù)據(jù)增強(qiáng)，第二個類別是基于深度學(xué)習(xí)的數(shù)據(jù)增強(qiáng)算法。

下面先介紹基于基本圖像處理技術(shù)的數(shù)據(jù)增強(qiáng)方法：

幾何變換（Geometric Transformations）：由于訓(xùn)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(dá)到訓(xùn)練集中的效果，幾何變換可以有效地克服訓(xùn)練數(shù)據(jù)中存在的位置偏差，而且易于實(shí)現(xiàn)，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(jì)算機(jī)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(jìn)行數(shù)據(jù)增強(qiáng)，比如將某種顏色通道關(guān)閉，或者改變亮度值。

旋轉(zhuǎn) | 反射變換（Rotation/Reflection）：選擇一個角度，左右旋轉(zhuǎn)圖像，可以改變圖像內(nèi)容朝向。關(guān)于旋轉(zhuǎn)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(jī)值矩陣加入到圖像的RGB像素中，通過向圖像添加噪點(diǎn)可以幫助CNN學(xué)習(xí)更強(qiáng)大的功能。

內(nèi)核過濾器（Kernel Filters）：內(nèi)核濾鏡是在圖像處理中一種非常流行的技術(shù)，比如銳化和模糊。將特定功能的內(nèi)核濾鏡與圖像進(jìn)行卷積操作，就可以得到增強(qiáng)后的數(shù)據(jù)。直觀上，數(shù)據(jù)增強(qiáng)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(shù)據(jù)增強(qiáng)方法。對于人來說，混合圖像生成的數(shù)據(jù)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(shù)據(jù)增強(qiáng)算法，有一系列的工作進(jìn)行相關(guān)的研究。Inoue在圖像每個像素點(diǎn)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(jī)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(jī)擦除（Random Erasing）：隨機(jī)擦除是Zhong等人開發(fā)的數(shù)據(jù)增強(qiáng)技術(shù)。他們受到Dropout機(jī)制的啟發(fā)，隨機(jī)選取圖片中的一部分，將這部分圖片刪除，這項(xiàng)技術(shù)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(wǎng)絡(luò)關(guān)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(jìn)行放大和縮小并不改變圖像中的內(nèi)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(shù)據(jù)中的位置偏差，比如在人臉識別數(shù)據(jù)集合中，如果所有圖像都居中，使用這種數(shù)據(jù)增強(qiáng)方法可以避免可能出現(xiàn)的位置偏差導(dǎo)致的錯誤。

翻轉(zhuǎn)變換（Flipping）：通常是關(guān)于水平或者豎直的軸進(jìn)行圖像翻轉(zhuǎn)操作，這種擴(kuò)充是最容易實(shí)現(xiàn)的擴(kuò)充，并且已經(jīng)證明對ImageNet數(shù)據(jù)集有效。

裁剪（Cropping）：如果輸入數(shù)據(jù)集合的大小是變化的，裁剪可以作為數(shù)據(jù)預(yù)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(shù)據(jù)。在實(shí)際使用過程之中，這些數(shù)據(jù)增強(qiáng)算法不是只使用一種，而是使用一套數(shù)據(jù)增強(qiáng)策略，在AutoAugment這篇文章中，作者嘗試讓模型自動選擇數(shù)據(jù)增強(qiáng)策略。

第二個類別是基于深度學(xué)習(xí)的數(shù)據(jù)增強(qiáng)算法：

特征空間增強(qiáng)（Feature Space Augmentation）：神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)增強(qiáng)方法都應(yīng)用于輸入空間中的圖像。現(xiàn)在可以在特征空間進(jìn)行數(shù)據(jù)增強(qiáng)操作，例如：SMOTE算法，它是一種流行的增強(qiáng)方法，通過將k個最近的鄰居合并以形成新實(shí)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(yuǎn)不及預(yù)期的健壯性，Moosavi-Dezfooli等人充分證明了這一點(diǎn)。對抗生成可以改善學(xué)習(xí)的決策邊界中的薄弱環(huán)節(jié)，提高模型的魯棒性。

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

神經(jīng)風(fēng)格轉(zhuǎn)換（Neural Style Transfer）：通過神經(jīng)網(wǎng)絡(luò)風(fēng)格遷移來生成不同風(fēng)格的數(shù)據(jù)，防止模型過擬合。

如果想要閱讀更多的細(xì)節(jié)，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(shù)據(jù)增強(qiáng)

在自然語言處理領(lǐng)域，被驗(yàn)證為有效的數(shù)據(jù)增強(qiáng)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(shí)驗(yàn)，他們發(fā)現(xiàn)可以將單詞替換為它的同義詞進(jìn)行數(shù)據(jù)增強(qiáng)，這種同義詞替換的方法可以在很短的時間內(nèi)生成大量的數(shù)據(jù)。

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

隨機(jī)交換（Randomly Swap）：隨機(jī)選擇一對單詞，交換位置。

隨機(jī)刪除（Randomly Delete）：隨機(jī)刪除句子中的單詞。

語法樹結(jié)構(gòu)替換：通過語法樹結(jié)構(gòu)，精準(zhǔn)地替換單詞。

加噪（NoiseMix） (https://github.com/noisemix/noisemix)：類似于圖像領(lǐng)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(yùn)送太慢了。->這是本很棒的書，但是運(yùn)送太慢了。

情境增強(qiáng)（Contextual Augmentation）：這種數(shù)據(jù)增強(qiáng)算法是用于文本分類任務(wù)的獨(dú)立領(lǐng)域的數(shù)據(jù)擴(kuò)充。通過用標(biāo)簽條件的雙向語言模型預(yù)測的其他單詞替換單詞，可以增強(qiáng)監(jiān)督數(shù)據(jù)集中的文本。

生成對抗網(wǎng)絡(luò)：利用生成對抗網(wǎng)絡(luò)的方法來生成和原數(shù)據(jù)同分布的數(shù)據(jù)，來制造更多的數(shù)據(jù)。在自然語言處理領(lǐng)域，有很多關(guān)于生成對抗網(wǎng)絡(luò)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(shù)（Back Translation）：回譯技術(shù)是NLP在機(jī)器翻譯中經(jīng)常使用的一個數(shù)據(jù)增強(qiáng)的方法。其本質(zhì)就是快速產(chǎn)生一些翻譯結(jié)果達(dá)到增加數(shù)據(jù)的目的。回譯的方法可以增加文本數(shù)據(jù)的多樣性，相比替換詞來說，有時可以改變句法結(jié)構(gòu)等，并保留語義信息。但是，回譯的方法產(chǎn)生的數(shù)據(jù)嚴(yán)重依賴于翻譯的質(zhì)量。

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

無監(jiān)督數(shù)據(jù)擴(kuò)增（Unsupervised Data Augmentation）：通常的數(shù)據(jù)增強(qiáng)算法都是為有監(jiān)督任務(wù)服務(wù)，這個方法是針對無監(jiān)督學(xué)習(xí)任務(wù)進(jìn)行數(shù)據(jù)增強(qiáng)的算法，UDA方法生成無監(jiān)督數(shù)據(jù)與原始無監(jiān)督數(shù)據(jù)具備分布的一致性，而以前的方法通常只是應(yīng)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(shù)據(jù)增強(qiáng)技術(shù)。

總結(jié)

數(shù)據(jù)增強(qiáng)是增大數(shù)據(jù)規(guī)模，減輕模型過擬合的有效方法，但是，數(shù)據(jù)增強(qiáng)不能保證總是有利的。在數(shù)據(jù)非常有限的域中，這可能導(dǎo)致進(jìn)一步過度擬合。因此，重要的是要考慮搜索算法來推導(dǎo)增強(qiáng)數(shù)據(jù)的最佳子集，以便訓(xùn)練深度學(xué)習(xí)模型。

雖然相比于計(jì)算視覺，自然語言處理領(lǐng)域中的數(shù)據(jù)增強(qiáng)應(yīng)用更少，難度也要更大，但是同時也意味著更大的機(jī)遇。

審核編輯 ：李倩