本文综述了多种数据增强方法，包括：利用语言模型生成合成数据以提升机器学习性能；通过多任务学习增强低资源翻译；采用检索增强语言模型改善问答；提出低资源机器翻译通用框架，提升1.5至8个BLEU；LAMBADA方法合成标注数据提升文本分类；对话系统数据扩充；检索增强文本到音频生成；词替换增强低资源分类；以及低频词新语境生成提升翻译质量。

本文综述合成数据在神经机器翻译中的应用，包括伪平行语料、反向翻译、数据增强和自训练等方法。研究表明，合成数据能显著提升低资源语言翻译质量，最高提升14.5 BLEU，并在WMT英德测试集上创下35 BLEU纪录，但真实平行数据仍是最优选择。

该文综述利用单语语料提升神经机器翻译的多项研究，包括跨语言记忆检索、半监督与无监督训练、去噪自编码与回译、检索增强翻译、抽取-编辑方法、从合成平行语料中提取双语词表、基于多语言BERT对比学习的领域自适应数据选择，以及通过多任务学习注入语义句法知识；这些方法在低资源及领域适应场景下显著提升BLEU。