类别结构保持优于多样性：不平衡文本分类中文本增强方法的综合基准评测

英文标题：Class-Structure Preservation Beats Diversity: A Comprehensive Benchmark of Text Augmentation Methods for Imbalanced Text Classification

该论文聚焦自然语言处理中不平衡文本分类的生成式数据增强问题。随着大语言模型（LLM）的快速发展，基于生成的文本增强方法受到广泛关注，但现有研究缺乏对相关方法进行系统比较的实证基准。论文标题表明，其核心结论是：相较于单纯追求生成样本的多样性，保持原始类别结构对提升不平衡文本分类效果更为重要。这一结论可为开发者选择 LLM 数据增强策略及评估合成训练数据质量提供参考。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB