On-Demand Augmentation for Long-Tail Data Through Subset- and Topic-Driven Sparsity Identification Framework

doi:10.1007/s41019-025-00334-6

On-Demand Augmentation for Long-Tail Data Through Subset- and Topic-Driven Sparsity Identification Framework

2026-04-09

0

OA

AI

DOI：10.1007/s41019-025-00334-6

原文链接

查看原文

摘要

En 中文

大规模、多维混合数据集的特征是普遍存在的“长尾分布”。这一现象导致由多维属性组合定义的子空间中出现数据稀疏。这种稀疏性严重阻碍了数据驱动的分析与洞察。现有的数据增强方法主要关注单一维度，忽略了真实世界中复杂、内在的多维相关性，从而导致生成的样本缺乏逻辑性和真实感。为应对这一挑战，我们提出了一种系统性、按需、细粒度的样本增强框架。我们的核心思想是从多维组合的角度精确定位并增强数据稀疏区域。对于文本数据，我们设计了两种灵活的增强模式。第一种“基于子集范围的增强”，采用模型融合与增量更新的策略；第二种“基于主题的增强”，提出了基于“探索-利用”范式的启发式搜索算法。对于数值数据，我们预先构建全局分布索引，以实现稀疏区间的有效识别。在样本生成阶段，我们结合大型语言模型、检索增强生成和思维链技术，确保生成的样本在语义逻辑和语境风格上达到高保真标准。在真实数据集上的广泛实验表明，我们的方法在查询响应速度和稀疏区域发现效率上优于基线方法，同时保持了主题一致性和准确性。

Keyword:

Long-tail distribution

Topic modeling

Sparsity identification

Sample augmentation

On-Demand Augmentation for Long-Tail Data Through Subset- and Topic-Driven Sparsity Identification Framework

摘要

AI总结

期刊

机构

引用论文