待验证50% 置信事实精确时间
数据增强本质上是一种正则化技术，通过人为扩展训练分布来逼近真实数据生成分布，可以系统性地降低泛化误差
1
来源数
50%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
待验证数据增强的核心原则是增强分布应当匹配真实测试分布，理想策略是让训练变换分布成为真实测试分布的一个超集79% 相似待验证数据增强从偏差-方差权衡视角看，本质是通过增加训练样本的有效多样性来降低模型方差76% 相似已验证DAgger（Dataset Aggregation）算法通过让专家对模型执行轨迹进行纠正标注、迭代扩充训练数据来缩小分布偏移75% 相似待验证行为克隆存在分布偏移问题，DAgger等改进算法通过让学习中的智能体与专家持续交互来扩充训练数据74% 相似待验证数据增强通过对训练样本施加随机变换（如旋转、翻转、缩放、裁剪、颜色抖动等）来人工扩大训练集规模，其理论基础是正则化73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/515875API
curl https://kongchang.com/api/v1/knowledge/claims/515875MCP
get_claim(id=515875)