深度学习中的数据优化：一项调查

Oct, 2023

深度学习中的数据优化：一项调查

Data Optimization in Deep Learning: A Survey

Ou Wu, Rujing Yao

TL;DR通过对现有文献中的数据优化方法进行分类整理和建立联系，本研究旨在构建一个全面的深度学习数据优化方法分类体系，并探索未来的研究方向。

Abstract

Large-scale, high-quality data are considered an essential factor for the successful application of many deep learning techniques. Meanwhile, numerous real-world →

data optimization deep learning high-quality data taxonomy future directions

发现论文，激发创造

大规模深度学习优化：综述

本文概述了在大规模深度学习中如何优化模型的准确性和效率，讨论了优化中使用的算法、大批量训练中出现的泛化差距问题，并回顾了最新的解决通信负担和减少内存占用的策略。

Nov, 2021

深度学习中的图像数据增强：综述

本文系统地综述了不同的图像数据增强方法，提出了分类学，分析了这些方法的优点和局限性，以及在三个典型的计算机视觉任务上所做的大量实验，包括语义分割，图像分类和物体检测。最后，我们讨论了数据增强面临的挑战以及未来的研究方向，以提出一些有用的研究指导。

Apr, 2022

图像数据增强方法综述及未来方向

本文介绍了深度学习算法在计算机视觉任务中的性能表现，以及数据增强技术对应对过拟合问题的应用。在这篇文章中，我们提供了数据增强技术的背景知识和综述，通过对现有的数据增强技术进行分类和比较，从而指导研究者选择适合自己的方法。我们还研究了数据增强技术的综合效果，得出结论可以显著提升图像分类、目标检测和语义分割的性能，我们提供了代码用于结果复现，并探讨了该领域未来的研究方向与挑战。

Jan, 2023

可持续深度学习的数据减少方法深入分析

深度学习方面的研究，介绍了八种不同的数据减少方法和一个基于拓扑结构的代表性度量标准，探讨了这些方法对数据集的代表性、能源消耗和模型预测性能的影响。

Mar, 2024

深度学习图像增强技术的全面调查

本文调研了基于深度学习的图像增强方法，并将其分为三类：无模型、有模型和优化策略。同时，讨论了常见应用的趋势以及使用组和核理论以及无监督学习实现的图像增强方法。

May, 2022

大规模深度学习模型的高效训练：文献综述

对于深度学习模型的训练加速技术的综述，主要从数据中心、模型中心、优化中心、预算训练和系统中心五个角度入手，详细介绍了各个方面减小计算复杂度的方法，其中包括数据样本的正则化、模型参数的减少和优化目标的设计等。

Apr, 2023

研究提议：“高质量数据是否足够？

本文研究如何选择和创建高质量基准数据的子集以及对于模型的有效学习是否真正需要大型数据集，并计划研究数据修剪和数据创建范式以生成高质量数据。