---
title: "KORE-AUGMENTATION（知识导向增强）"
created: 2026-05-21
type: concept
tags: ["knowledge-injection", "data-augmentation", "multimodal"]
sources: ["[[kore-knowledge-injection]]"]
---

# KORE-AUGMENTATION（知识导向增强）

## 定义

KORE-AUGMENTATION 是一种**结构化知识增强**方法，将单个知识项自动转化为多层次的[[knowledge-tree|知识树]]，实现从"数据记忆"到"知识内化"的跨越。

## 知识树结构

### 主干（Trunk）：多轮对话数据
- **启发式 Q&A**：手工模板随机构建
- **对话 Q&A**：GPT-4o 根据原始文本知识生成最多 10 轮对话
- 产出：75,710 条对话数据

### 分支（Branches）：指令任务数据
- **视觉识别**：CLIP 检索相似图像 → 回答 "Yes/No"
- **图像描述**：GPT-4o 基于知识摘要生成答案
- **VQA**：GPT-4o 生成 (Q, A, Subject, Hypernym) 四元组 → Google 搜索图像
- 产出：46,468 条 VQA 样本

## 与一般增强的区别

| 维度 | 一般增强 | KORE-AUGMENTATION |
|------|---------|-------------------|
| 文本增强 | 同义词替换/改写（离散变体） | 结构化多轮对话 |
| 图像增强 | 旋转/裁剪（表面变换） | CLIP 检索 + 视觉识别/描述/VQA |
| 知识结构 | 孤立数据点，无连接 | 连贯的知识树 |
| 目标 | 扩大数据暴露面 | 知识理解和内化 |

## 本质

一般增强停留在"数据记忆"层面——模型仅能拟合训练数据。KORE-AUGMENTATION 上升到"**知识内化**"——模型能理解知识的内在逻辑和关联，灵活提取和操控学到的知识。

## 参见

- [[knowledge-tree|知识树]]
- [[kore-constraint|KORE-CONSTRAINT]]
- [[knowledge-aware-augmentation|知识感知增强]]
- [[knowledge-agnostic-augmentation|知识无关增强]]