KDDMay, 2019

小样本基于 GAN 的数据增强中的偏差探究

PDF
TL;DR本研究探讨了生成对抗网络（GAN）的数据增强中的偏见问题，通过实验设计了一种数据集筛选的流程来减少 GAN-based 数据增强方法的偏见，并最终提出了一些应对方案以减缓偏见对模型性能的影响。
machine learninggenerative adversarial networksdata augmentationbiasperformance
发现论文，激发创造
  • 论基于 GAN 的数据增强在延续偏见方面对工程师的想象

    使用生成对抗网络（GAN）生成合成数据进行数据增强已成为许多应用程序的流行方法，但这种技术具有的内在缺陷应引起从业人员的重视，例如 GAN 增强数据可能会强化和甚至放大训练数据中的偏差，这应该成为普通从业人员的警示。

    Nov, 2018

  • LatentAugment：通过引导操控 GAN 的潜空间进行数据增强

    数据增强技术（Data Augmentation）通过生成具有真实图像外观的合成样本，提高了深度模型的泛化性能，而 LatentAugment 更进一步地增加了样本的多样性和准确性，优于标准数据增强和基于生成对抗网络（GAN）的采样。

    Jul, 2023

  • 关于生成对抗网络训练中的数据增强

    本研究提出了一个称为 Data Augmentation Optimized for GAN (DAG) 的框架，用于在 GAN 训练中使用增强数据来改善原始分布的学习，通过理论分析表明该方法有效地利用增强数据来提高鉴别器和生成器的学习，并在自然图像和医疗图像数据集上证明了 DAG 的有效性和优越性。

    Jun, 2020

  • 利用生成对抗网络进行数据增强

    本文提出了使用生成对抗网络（GAN）生成机器学习任务的人工训练数据，以解决样本不平衡问题与个人隐私数据问题，在多个基准数据集上测试表明，使用 GAN 生成的训练数据进行决策树分类器训练可以取得与使用原始数据集训练 DT 相同或更好的准确性和召回率.

    Apr, 2019

  • 基于 GAN 的皮肤病变分析数据增广和匿名化：关键综述

    使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好，在数据匿名化方面也只在分布不同的测试集上表现良好。因此，对于医学应用需要谨慎使用此技术。

    Apr, 2021

  • 生成对抗网络用于数据增强

    使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

    Jun, 2023

  • 使用生成对抗网络进行低资源情感分析的数据增强

    本文介绍使用生成式对抗网络 (GANs) 模型进行数据增强以改善情感分类器泛化能力的方法，通过对资源有限数据集训练 GAN 模型，并探索不同技术进行 GAN 模型训练，并分析了生成数据的质量以及使用 t-SNE 方法在二维空间中对生成数据和实际数据的可视化分析。

    Feb, 2019

  • 负样本数据增强

    本文介绍了一种利用负数据增强策略来生成标准维度数据外的样本，探究这种样本对生成模型和表示学习的影响，并将其应用在生成模型和无监督学习任务中，最终提高了模型的表现。

    Feb, 2021

  • 贝叶斯数据增强方法用于深度模型学习

    提出了一种基于贝叶斯公式，利用广义蒙特卡洛期望最大化算法和生成对抗网络的方法，能更好地生成新的标注训练样本，并在 MNIST，CIFAR-10 和 CIFAR-100 的数据集中取得了优于现有数据增强方法和 GAN 模型的分类结果。

    Oct, 2017

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018