.png){kind=icon}
返回
Data augmentation in multimodal frameworks: a survey
.png){kind=icon}
OA
AI
DOI：10.1007/s10462-026-11648-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
训练具有多种数据模态的机器学习模型已在大多数情境下提升了预测性能。因此，许多近期机器学习应用采用了来自不同来源和形式的数据。多模态数据增强（MMDA）解决了多模态学习中的关键挑战，如数据稀缺、模态不平衡和跨模态对齐。本文综述系统地回顾了68种前沿MMDA方法，并据此提出了一种分类体系。针对每篇评述的论文，本文分析了其方法论、应用及预测性能提升，同时强调了关键挑战，如可扩展性和评估指标。所提出的分类体系为理解MMDA方法及其优缺点提供了统一框架。本文还识别了新兴趋势，包括大语言模型和扩散过程的整合，并概述了未来研究方向以推动多模态学习的发展。
Keyword:
Data augmentation
Multimodal
Generative AI
LLM
VLM
Survey
期刊
IF:
13.9
论文数:
6.1K
被引数:
1.9W
机构
查看更多机构
引用论文
暂无论文信息