联手数据库专委：“数据增强”术语发布 | CCF术语快线_最新动态

首页 > 最新动态 > 联手数据库专委：“数据增强”术语发布 | CCF术语快线

最新动态

联手数据库专委：“数据增强”术语发布 | CCF术语快线

2025-05-175

本期发布术语新词：数据增强(Data Augmentation)

数据增强(Data Augmentation)

作者：柴成亮

开篇导语

本期新增术语新词：数据增强(Data Augmentation)。数据增强是一种通过对现有数据进行变换、组合或生成新样本的技术，旨在提升人工智能模型的泛化能力，广泛应用于图像处理、自然语言处理和表格数据分析等领域，能够有效缓解数据不足和分布不均等问题。

InfoBox:

中文名：数据增强

英文名：Data Augmentation

实质：通过对已有数据进行变换、组合或生成，扩充数据集的规模和多样性。

学科：计算机科学与技术

关键词：数据增强；人工智能；泛化能力

背景：

在人工智能领域，高质量且数量充足的训练数据是模型性能的关键。然而，许多实际应用场景面临数据稀缺或标注成本高的问题[1]。数据增强技术通过模拟现实世界中的数据变化，生成与原数据相似的样本，弥补数据不足的短板，同时帮助模型避免过拟合[2][3]。近年来，随着深度学习的发展，数据增强在计算机视觉、自然语言处理和表格数据分析等领域得到了广泛应用，成为提升模型性能的重要手段。

定义：

数据增强是一种通过复制并修改现有数据来扩大训练数据集的技术。其核心思想是增加数据的多样性，填补训练数据集与现实世界应用之间的差距。数据增强技术已在多个领域（如图像分类、自然语言处理和推荐系统等）得到广泛应用，并在提高模型性能、增强泛化能力以及解决数据不平衡问题等方面展现出显著优势。

挑战：

尽管数据增强能提升模型性能，其应用仍面临若干挑战：(1)如何确保生成样本与原始数据分布一致，以避免引入噪声或偏差；(2)现有方法大多局限于特定数据模态（如图像、文本或音频），跨模态通用性不足；(3)不同领域和任务对数据增强的适配性差异较大，难以实现通用的解决方案。因此，设计有效的数据增强策略需综合考虑样本质量、模态适配性、分布一致性以及任务适用性等关键因素，以确保其在多样化场景中的有效性和鲁棒性。

发展：

数据增强作为提升AI模型泛化能力的关键技术，其发展历程从简单操作逐步迈向复杂智能化方法。最早的雏形出现在1998年的LeNet [4]，通过随机失真图像扩充数据集，验证了增加训练样本可显著降低测试误差，奠定了数据增强的理论基础。进入深度学习蓬勃发展的阶段，数据增强技术实现从简单的随机掩码方法[5][6]到复杂策略的快速迭代。2014年，生成对抗网络（GANs）[7]的引入开启了生成高质量人工样本的新篇章，广泛应用于图像、文本等领域。2018年，AutoAugment [8]利用强化学习自动搜索最优增强策略，大幅提升效率和性能。随后，扩散模型[9]和变分自编码器（VAEs）[10]等生成模型进一步增强了数据样本的真实性与多样性，适用于图数据、时序数据等复杂模态。近年来，大模型（LLMs）[11] 通过少样本生成高质量合成数据[12]，同时结合隐私保护技术降低数据泄露风险[13]，从而显著提升低资源场景下的模型泛化能力与安全性。

参考文献：

1. Shorten C, Khoshgoftaar T M. A survey on image data augmentation for deep learning[J]. Journal of big data, 2019, 6(1): 1-48.

2. Zha D, Bhat Z P, Lai K H, et al. Data-centric artificial intelligence: A survey[J]. ACM Computing Surveys, 2025, 57(5): 1-42.

3. Maharana K, Mondal S, Nemade B. A review: Data pre-processing and data augmentation techniques[J]. Global Transitions Proceedings, 2022, 3(1): 91-99.

4. LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

5. DeVries T, Taylor G W. Improved regularization of convolutional neural networks with cutout[J]. arXiv preprint arXiv:1708.04552, 2017.

6.Wei J, Zou K. EDA: Easy Data Augmentation Techniques for Boosting Performance on Text Classification Tasks[C]//Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). 2019: 6382-6388.

7.Tran N T, Tran V H, Nguyen N B, et al. On data augmentation for GAN training[J]. IEEE Transactions on Image Processing, 2021, 30: 1882-1897.

8. Cubuk E D, Zoph B, Mane D, et al. Autoaugment: Learning augmentation strategies from data[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019: 113-123.

9. Rombach R, Blattmann A, Lorenz D, et al. High-resolution image synthesis with latent diffusion models[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2022: 10684-10695.

10. Islam Z, Abdel-Aty M, Cai Q, et al. Crash data augmentation using variational autoencoder[J]. Accident Analysis & Prevention, 2021, 151: 105950.

11. Ding B, Qin C, Zhao R, et al. Data augmentation using llms: Data perspectives, learning paradigms and challenges[C]//Findings of the Association for Computational Linguistics ACL 2024. 2024: 1679-1705.

12. Dunlap L, Umino A, Zhang H, et al. Diversify your vision datasets with automatic diffusion-based augmentation[J]. Advances in neural information processing systems, 2023, 36: 79024-79034.

13. Dhingra P, Agrawal S, Veerappan C S, et al. Enhancing Speech De-Identification with LLM-Based Data Augmentation[C]//2024 11th International Conference on Advanced Informatics: Concept, Theory and Application (ICAICTA). IEEE, 2024: 1-5.

作者介绍

柴成亮

副教授，北京理工大学

研究领域：多模态数据查询与分析

邮箱：ccl@bit.edu.cn

计算机术语审定委员会及术语平台介绍：

计算机术语审定委员会(Committee on Terminology)主要职能为收集、翻译、释义、审定和推荐计算机新词，并在CCF平台上宣传推广。这对厘清学科体系，开展科学研究，并将科学和知识在全社会广泛传播，都具有十分重要的意义。术语众包平台CCFpedia的建设和持续优化，可以有效推进中国计算机术语的收集、审定、规范和传播工作，同时又能起到各领域规范化标准定制的推广作用。新版的CCFpedia计算机术语平台(http://term.ccf.org.cn)将术语的编辑运营与浏览使用进行了整合，摒弃老版中跨平台操作的繁琐步骤，在界面可观性上进行了升级，让用户能够简单方便地查阅术语信息。同时，新版平台中引入知识图谱的方式对所有术语数据进行组织，通过图谱多层关联的形式升级了术语浏览的应用形态。