1 前言

在NLP领域中，数据增强(data augmentation)已成为解决样本不平衡( data imbalance)或训练数据不足等问题一种有效技术。尽管通过数据增强手段，可以产生更多训练数据，但同时也会带来噪声影响，甚至可能导致模型性能变差。如何通过数据增强方法，产生高质量的样本，便成为该方法重点要考虑的问题。当前已有不少相关的研究，如经典的Synthetic Minority Oversampling Technique (SMOTE)方法，以及最近的Resampling MixUp (ReMix)，都是为了提高少类样本重复采样的质量。本次分享两种数据增强的方法，两种方法都比较新，且思路简单，可快速应用到项目中。第一种方法聚焦在构建难负样本(hard negative samples)，第二种方法核心是从一个类型样本生成另一个类型样本。

2 Data Augmentation

下面详细介绍这两种方法：

方法1：Hard Negative Mixing

该方法来自2020年NeurIPS会议一篇论文，论文题目为<Hard Negative Mixing for Contrastive Learning>，是解决当前特别火的对比学习( contrastive learning)中构造对比样的问题。文中指出，尽管有实验证明在一个batch-size下，构造更多的负样本，对对比学习的效果有利，但同时也存在这样的问题：那些与正样本差异度已经很高的负样本，在训练中对对比损失没什么影响，相反，模型应该聚焦学习在那些跟正样本很近的负样本，这样能促使模型能学到更稳健的差异性特征。为此，作者提出了一种hard negative mixing strategies来生成更多难负样本，提高对比学习效果。见下图所示，红色框代表正样本，蓝色三角代表是合成的负样本，这些负样本都是离正样本很近。该方法具有普适性，可作为一种数据增强的方法。

具体来说：对于mini batch中的一个正样本 $X_i$ 来说，通过表征模型Encoder得到它的表征向量 $H_i$ 和排序好后的负样本表征向量集合 $P=\{H_1^-,H_2^-,...,H_M^-\}$ ，排序按照与正样本的相似度来计算，即: $sim(H_i,H_1^-) > sim(H_i,H_2^-)$ , 其中 $sim(u,v)=u^Tv/(||u||_2||v||_2)$ 代表两个样本的余弦相似度计算。

接着，从集合中 $P$ 中选择 $top K$ 样本组成难负样本集合 $P^K$ ，即 $K < M$ items；然后利用线性组合的方式生成 $s$ 个新的难负样本，实现让模型学习更多hard negative samples目的。如 $G =\{G_1^-,G_2^-,...,G_s^- \}$ 为新合成的难负样本集合，对于其中一个合成样本 $G_k \in G$ 来说，其计算方式如下：

$G_k= \frac{\hat{G_k}}{||\hat{G_k}||_2}$
$\hat{G_k}=\alpha_kH_i^- + (1 - \alpha_k)H_j^-$

其中 $H_i^-, H_j^- \in P^K$ 是随机从集合 $P^K$ 选择的两个样本， $\alpha_k \in (0, 1)$ 是平衡两个样本的计算系数。论文中参数 $\alpha_k$ 作者是随机确定的，比如取0.5。

总体来说，Hard Negative Mixing是从原有的hard negative samples集合中，通过线性组合合成更多的samples，新生成的样本具体原来集合中hard特征，这样让模型有更多高质量样本去学习。作者在实验中显示，该方法可以有1%的提升的效果。

方法2：good-enough example extrapolation

该方法来自今年Google Research一篇论文，论文题目为：<Good-Enough Example Extrapolation>，论文已投了2021EMNLP会议。其借用这样一个直觉：同类样本在表征后，在高维空间上有相同的分布，而其中单独样本成随机状态；不同类样本呈现不同分布，分布之间的距离可表示为不同类之间的差距与关系。为此，文中提出好的样本外推的方式生成新样本的方法——good-enough example extrapolation(GE3)，以此来产生更多高质量样本，解决样本不平衡问题。如下图所以，GE3方法将类别Travel分布中一个样本，推向Health分布中，形成一个新的Health样本。