NLP 数据增强：样本变多不代表分布更真实
一、增强数据可能引入偏差
NLP 任务里，数据增强常用同义改写、回译、模板生成、模型生成等方式。样本数量确实变多了，但如果增强样本风格单一、标签漂移、语义变弱，就会让模型学到错误分布。
样本变多不代表分布更真实。
以客服意图分类为例，用改写工具把"我要退款"自动改成"请帮我办理退款手续"，表面上看意思相近，但前者可能带有投诉情绪，后者变成了礼貌请求。批量生成后，模型学到"客服对话都很礼貌"的偏差，上线后对真实用户的暴躁投诉根本识别不出。
二、先明确增强目标
flowchart TD A[数据增强] --> B[补少数类] A --> C[提升鲁棒性] A --> D[覆盖表达方式] A --> E[模拟噪声]不同目标对应不同方法。补少数类需要关注标签准确，鲁棒性增强需要制造拼写、口语、顺序变化，表达覆盖需要更多真实句式。
augmentation_goal: minority_class: true robustness: true style_diversity: true目标不清，增强就容易变成造数据。
以情感分类为例，补少数类时关注标签准确率和分布平衡，而鲁棒性增强更看重噪声类型和比例。两种目标如果混在一起，增强结果既可能标签错误，又可能噪声不足。目标明确后，才能决定用哪种方法、用多大比例。
三、标签漂移要检查
同义改写不一定保持标签。情感分类里，“还行”改成“还不错”可能情感强度变化；意图识别里，改写可能改变用户真正目的。
label_validation: sample_augmented: true human_check_rate: 0.1 # 设计原因：10% 抽样检查在成本和覆盖率之间取平衡，边界类别可上调至 0.2 reject_semantic_drift: true # 设计原因：发现语义漂移直接拒绝，比事后补救代价更小增强样本要抽样人工检查，尤其是边界类别。
四、训练和评测要分开
增强数据可以用于训练，但不要随便放进评测集。评测集应该尽量来自真实分布，否则分数会虚高。
dataset_policy: train_augmented: allowed validation_augmented: limited test_augmented: avoid还要监控真实线上样本表现。增强数据上提升，不代表真实用户输入上提升。
最后，增强比例要控制。真实样本太少，增强样本太多，模型会被生成风格带偏。可以先从小比例开始做消融。
增强方法也要多样化。同一种大模型生成的增强样本可能语气相似、句式整齐，模型训练后会偏向这种人工风格。可以混合同义改写、噪声扰动、真实用户变体和模板扩展。
augmentation_mix: paraphrase: 0.4 noise_injection: 0.2 template_generation: 0.2 real_hard_cases: 0.2还要关注类别边界。少数类增强时，最容易把样本推到相邻类别。比如投诉和咨询、退款和取消、讽刺和负向情绪，必须人工抽查。
增强后要做消融实验：只用真实数据、真实加少量增强、真实加大量增强分别训练，比较线上近似评测集。没有消融，就不知道增强是否真的有用。
最后，数据增强记录要可追踪。每条增强样本来自哪个原样本、使用什么方法、是否人工确认，都应该保存。
还要检查增强数据和验证集的相似度。如果增强样本和验证样本过于接近，模型分数会虚高。可以用文本相似度或 embedding 检测近重复。
leakage_check: compare_augmented_to_validation: true max_similarity: 0.92 remove_near_duplicates: true增强样本还要保留难度分布。只生成简单、标准、语法完整的句子，会让模型在真实噪声输入上表现更差。
最后，增强策略要按模型版本复测。新模型可能已经具备某些鲁棒性，旧增强方法不一定继续有效。
增强还需要考虑成本和质量的权衡。自动化增强（回译、模板替换）成本低但质量不稳定，可能产生标签漂移；人工参与增强（审核、改写）质量高但数量有限，难以大规模覆盖。对于标签敏感的少样本场景，人工花 10 分钟审核 20 条增强数据，效果可能比自动生成 200 条更好。选择增强方法时，不能只看数量指标，要把质量成本和标注人力一并纳入决策。
五、总结
NLP 数据增强要明确目标、检查标签漂移、控制增强比例，并避免污染真实评测集。
样本变多不代表分布更真实。增强的质量，比数量更重要。
