Oct, 2022

G-Augment：搜索语音识别数据增强策略的元结构

PDF
TL;DR提出了 Graph-Augment 技术，用于在数据增强空间上搜索以优化增强策略。在 CHiME-6 和 AMI 上的微调任务中，与 SpecAugment 策略相比，G-Augment 在给定的计算预算下能够表现得更好，并在 CHiME-6 评估集上取得了新的 ASR 性能最佳表现。G-Augment 策略表现出在暖启动到冷启动训练和模型大小方面的更好的转移属性。
data augmentationspeech recognitiongraph-augmentdagsasr performance
发现论文，激发创造
  • 图神经网络的数据增强

    本文介绍了一个名为 GAug 的图数据增强框架，并讨论了在图形神经网络 (GNN) 上进行数据增强的实际动机、考虑因素和策略，重点介绍了如何通过神经边缘预测器有效地提高节点分类性能。实验结果表明，通过 GAug 的数据增强可以提高 GNN 的性能，适用于多种基准数据集和架构。

    Jun, 2020

  • 学习图形增强以学习图形表示

    LG2AR 是一个自动图形增强框架，包括学习增强分布的概率策略和学习增强参数分布的概率增强头。 研究表明， LG2AR 在 20 个图形级别和节点级别基准测试中，以线性和半监督评估协议为比较的无监督模型中，有 18 个基准测试达到了最先进的结果。

    Jan, 2022

  • 用于图分类的自动化数据增强

    本文提出了 GraphAug，一种自动化的数据增强方法，通过采用基于强化学习的训练方法最大化预测的标签不变概率，可以在大多数时候产生标签不变性数据增强，并在不同的图分类任务中优于以前的图增强方法。

    Feb, 2022

  • 对话任务自动学习数据增强策略

    通过自动化数据增强方法 AutoAugment, 本文实现了可用于自然语言处理任务的优化扰动操作，并且在对话生成等任务中取得了显著的性能提升。

    Sep, 2019

  • SpecAugment：一种简单的自动语音识别数据增强方法

    通过在神经网络的特征输入（即滤波器组系数）中直接应用声音数据扩充方法 SpecAugment - 扭曲特征，掩盖一定数量的频道块以及时间步长，我们在端到端的语音识别任务上实现了最先进的性能，超过了所有以前的工作。

    Apr, 2019

  • 直接可微增强搜索

    本研究使用基于 AutoML 的技术提出了一种高效的可微分搜索算法，称为 DDAS，它能够在图像分类基准测试上取得与 AutoAugment 可比的性能，同时大大降低了搜索成本。

    Apr, 2021

  • 面向图机器学习的图数据增强：一项调查

    本文介绍了现有的图形数据增强方法，并对文献进行了结构化概括。从数据、任务和学习的角度，我们首先介绍了三种不同的分类图形数据增强方法的方法。然后，我们介绍了不同方法和应用的最新进展，并总结了一些未解决的挑战和未来研究的方向。

    Feb, 2022

  • 深层 AutoAugment

    Deep AutoAugment 提供了一种全自动的数据增强搜索方法，通过高效的搜索方法可制定高效的数据增强策略，获得了强大的性能表现。

    Mar, 2022

  • 深度图学习的数据增强：综述

    本文对图数据增强技术及其在图神经网络领域中的应用进行了综述，提出了增强信息模态分类的分类法并概括了可靠图学习和低资源图学习中的代表性应用，并回顾了已有的相关文献。最后，我们指出了未来研究中的机遇和挑战。

    Feb, 2022

  • 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