数据增强进阶：图像与文本增广实战

数据增强（data augmentation）指在不改变样本标签的前提下，对原始训练数据施加可控的变换，制造出更多「看起来不同、本质一致」的训练样本。深度模型通常需要大量数据，而标注昂贵，增广因此成为工业级训练流水线的标配。

图像增广的常见操作

图像领域增广手段最成熟。几何类变换包括随机裁剪、水平翻转、旋转、缩放与平移；像素类变换包括亮度与对比度抖动、色彩通道扰动、加性高斯噪声。更进阶的做法是使用混合样本策略：Mixup 把两张图按权重线性叠加并混合标签，CutMix 则用一张图的局部区域替换另一张图对应区域，二者都能显著提升鲁棒性，相关结论在「mixup: Beyond Empirical Risk Minimization」与「CutMix」原文中给出。

文本增广的难点与做法

文本是离散序列，不能直接做像素扰动。同义替换（用同义词或词向量近邻替换词）、随机删除与插入、回译（先翻译到外语再译回，制造句式重组）是常见手段。近年的 EDA（Easy Data Augmentation）论文系统评估了这四种操作对文本分类小样本的提升。需要注意：文本增广容易引入语义漂移，对情感、事实类任务要控制扰动强度。

自动化与策略搜索

固定增广策略未必最优。AutoAugment 用强化学习在搜索空间中寻找针对特定数据集的最佳增广子策略；后续 RandAugment 简化了搜索，仅用随机采样的增广幅度与层数就达到相近效果，降低计算开销。对资源有限的团队，RandAugment 是更务实的选择。

使用边界与风险

增广不是越多越好。过度几何变换可能让标签失效（例如把「6」翻转成「9」），强噪声可能淹没有效信号。增广应在验证集上观测泛化收益，而非凭直觉堆叠。对于分布敏感任务（如医疗影像），增广假设「变换不改变诊断结论」必须经由领域专家确认。

小结

数据增强以低成本扩充训练多样性，是缓解过拟合的实用手段。图像端有几何、像素与混合样本三类技法，文本端依赖同义替换、回译与 EDA；AutoAugment 与 RandAugment 提供自动化策略。落地时要以验证集收益为准，守住标签一致性边界。

参考与延伸阅读

• mixup 与 CutMix 原始论文（已核验）：https://arxiv.org/abs/1710.09412 与 https://arxiv.org/abs/1905.04899
• EDA 文本增广论文（已核验）：https://arxiv.org/abs/1901.11196
• AutoAugment 与 RandAugment（已核验）：https://arxiv.org/abs/1805.09501 与 https://arxiv.org/abs/1909.13719