生成式数据增强何时会伤害：GAN 与扩散模型在 AI 分类系统偏差纠正基准实验
计算机视觉与模式识别
2026-03-18 v1 人工智能
机器学习
摘要
生成模型广泛用于补偿 AI 训练管道中的类别不平衡，但在低数据条件下其失效模式仍鲜为人知。本文报告了对三种数据增强策略进行的受控基准测试，针对细粒度动物分类任务：传统变换、FastGAN 和使用低秩适配 (LoRA) 微调的 Stable Diffusion 1.5。使用 Oxford-IIIT Pet 数据集，设定八个人工欠代表的犬种，我们发现 FastGAN 数据增强不仅在极小训练集规模时表现不佳，还会主动增加分类器偏差，在三个随机随机种子下均呈现统计显著的大效应（偏差增幅：+20.7%，Cohen's d = +5.03，p = 0.013）。该效应大小足够大，尽管随机种子数量有限，仍能对发现方向提供信心。基于 t 分布随机邻域嵌入 (t-SNE) 的特征嵌入分析揭示，FastGAN 生成的严重欠代表犬种图像形成紧密的孤立聚类，位于真实图像分布之外，符合模式坍塌的模式。采用低秩适配的 Stable Diffusion 生成效果最佳，实现最高的宏平均 F1 分数（0.9125 ± 0.0047），并相对于未增强基线实现了 13.1% 的偏差缩减。数据表明，在本实验设置下，GAN 数据增强在每类训练图像数量在 20~50 之间可能成为有害的，尽管需要在更多领域进行进一步研究才能更准确地确定该阈值。所有实验均在拥有 6~8 GB 内存的消费级 GPU 上完成，不需要云计算资源。
引用
@article{arxiv.2603.16134,
title = {When Generative Augmentation Hurts: A Benchmark Study of GAN and Diffusion Models for Bias Correction in AI Classification Systems},
author = {Shesh Narayan Gupta and Nik Bear Brown},
journal= {arXiv preprint arXiv:2603.16134},
year = {2026}
}