BriefGPT.xyz
Oct, 2021
有噪声的特征混合
Noisy Feature Mixup
HTML
PDF
Soon Hoe Lim, N. Benjamin Erichson, Francisco Utrera, Winnie Xu, Michael W. Mahoney
TL;DR
我们介绍了一种名为 NFM 的廉价且有效的数据增强方法,它将基于插值的训练和噪声注入方案结合起来,可获得对决策边界的更好平滑和更好的模型健壮性。我们提供了理论支持和实验证据,表明相对于 mixup 和 Manifold mixup,采用 NFM 得到的模型在多种数据扰动和计算机视觉基准数据集下,具有干净数据的预测准确性和鲁棒性之间的有利平衡。
Abstract
We introduce
noisy feature mixup
(NFM), an inexpensive yet effective method for
data augmentation
that combines the best of interpolation based training and noise injection schemes. Rather than training with
→