# - Dataset Augmentation in Feature Space. (ICLR-17 workshop)
interpolation和extrapolation
# - A Closer Look At Feature Space Data Augmentation For Few-Shot Intent Classification. (EMNLP-19 workshop)
利用两个样本的difference来应用到第三个样本上，从而产生新样本。
# - Good-Enough Example Extrapolation. (EMNLP-21)
设计了一种跨类别的增强方法：
# - Feature Space Augmentation for Long-Tailed Data. (ECCV-20)
提出使用资源丰富的类别来指导低资源/长尾类别的数据增强，从而复原低资源类别所缺失的信息。
设计了一个class activation map，来对feature的每个维度进行区分，得到class-specific feature和class-generic feature：
最终的目的是为了把那些大类的generic feature取出来，跟小类的specific feature混合从而丰富小类的特征。
整体流程图：
这背后的思想是有意义的：一个样本的各个位置（图片pixel或者文本的token）对于它所属的类别的影响力是不一样的，比如object detection中的物体的背景就不太重要，甚至把这个背景放到其他类别中，也是没问题的。所以本文就是想在特征空间上，把大类的不重要特征，迁移到小类上，从而辅助小类形成一个更丰富的分布。
这种思想是很好的，但是我感觉在特征空间上这么做，可能没有直接在raw input空间上做好，因为原始特征经过神经网络复杂的变换已经进行了深度的融合，这时，即使相对那么不相关的特征，也可能跟类别是有很强的相关性的，不一定能很好地迁移到其他类别。而原始输入空间，则不会有太大这种问题，而关键在于如何找出真正跟类别有关、无关的位置。所以各有难处。
我上面的猜想，在论文中也得到了了部分验证。作者提到："we observe that the “nearby” classes in the feature space, i.e. the most “confusing” classes with respect to the given tail class, have the biggest impact on recovering the previously ill-defined decision boundary."，即只有当两个类别本身就比较接近时，才能较好得进行迁移特征。
下图展示了两阶段的训练和验证准确率：
- take away：这个文章主要解决label imbalance问题，而有一些loss设计就是专门处理这个问题的，比如 Class-balanced Loss （CB loss）和著名的Focal Loss。这两个都可以去了解一下。