A Survey of Data Synthesis Approaches

本文提供了关于合成数据技术的详细调查。我们首先讨论了使用合成数据进行数据增强的预期目标，这可以分为四个部分：1）提高多样性，2）数据平衡，3）解决域偏移，4）解决边缘情况。合成数据与当时流行的机器学习技术密切相关，因此，我们将合成数据技术领域总结为四类：1）专家知识，2）直接训练，3）预训练然后微调，4）基础模型无需微调。接下来，我们将合成数据过滤的目标分为四种类型进行讨论：1）基本质量，2）标签一致性，3）数据分布。在本文的第5节中，我们还讨论了合成数据的未来方向，并提出了我们认为重要的三个方向：1）更注重质量，2）合成数据的评估，3）多模型数据增强。

综述了合成数据技术的目标和分类，讨论了合成数据过滤的目标和类型，并探讨了合成数据的未来方向。

论文将合成数据技术分为四类，并提出了三个重要的未来方向，即注重合成数据质量、评估合成数据以及多模型数据增强。

论文详细综述了合成数据技术的目标和分类，并讨论了合成数据过滤的目标和类型。此外，论文还探讨了合成数据的未来方向，提出了注重合成数据质量、评估合成数据以及多模型数据增强等三个重要方向。

在近期的相关研究中，也有一些关于合成数据的研究，例如《A Survey of Data Augmentation Approaches for Deep Learning》和《Data Augmentation for Deep Learning: A Review》等。