多模态大型语言模型用于图像、文本和语音数据增强：综述
高能天体物理现象
2025-02-03 v1 太阳与恒星天体物理
核理论
摘要
过去五年间，研究从传统机器学习(ML)和深度学习(DL)方法转向利用大型语言模型(LLMs)，包括多模态性，用于数据增强以提升泛化性、缓解深度卷积神经网络训练中的过拟合问题。然而，虽然现有综述主要聚焦于ML和DL技术或有限模态（文本或图像），但仍缺乏对最新进展和LLM基于方法的多模态应用的全面考察。本综述填补了这一空白，探讨了近期文献中利用多模态LLMs对图像、文本和音频数据进行增强的做法，提供了这些过程的全面理解。我们概述了在LLM基础的图像、文本和语音增强中所采用的各种方法，讨论了当前方法中识别出的局限性。此外，我们从文献中识别出了潜在解决方案，以提高使用多模态LLMs进行数据增强实践的有效性。本综述为未来研究提供了基础，旨在细化和扩展多模态LLMs在提升深度学习应用数据集质量和多样性方面的作用。
引用
@article{arxiv.2501.18647,
title = {Magnetic field evolution of X-ray emitting radio-quiet pulsars},
author = {Debasis Atta and Vinay Singh and D. N. Basu},
journal= {arXiv preprint arXiv:2501.18647},
year = {2025}
}
备注
6 pages including 1 figure and 1 table