在NLP中使用数据增强技术效果低的原因是什么？

Question

我在我的数据集上使用了数据增强技术，以便有更多的数据需要训练。我的数据是文本，所以数据增强技术是基于随机插入词，随机交换和同义词替换。

我所用的算法在其他数据集中表现良好，但在我的实验中，它的精度比原来的实验要低。有什么逻辑的解释吗？

Answer 1

同时，文本数据是：

• 非常有条理，因为在一个句子中只交换几个单词就可以使它完全是胡言乱语，
• 而且非常灵活，因为在一个句子中通常有很多表达相同想法的方法。

因此，很难有一个具有足够代表性的“总体”文本的文本样本，即涵盖所有可能的输入的足够的情况。但是，增强方法几乎肯定会失败，因为它们要么会使文本变得乱七八糟，要么只会覆盖一些微小的变化，而这些变化并不能显著提高覆盖范围。

这就是为什么NLP的很多工作都是关于实验设计和预处理。