基于自适应策略的面向时间序列的 CAAP：类别相关的自动数据增强

Apr, 2024

基于自适应策略的面向时间序列的 CAAP：类别相关的自动数据增强

CAAP: Class-Dependent Automatic Data Augmentation Based On Adaptive Policies For Time Series

Tien-Yu Chang, Hao Dai, Vincent S. Tseng

TL;DR提出了一种名为 Class-dependent Automatic Adaptive Policies（CAAP）框架的新型基于深度学习的方法，用于在时间序列数据增强中克服明显的类别依赖性偏差问题，同时保持整体改进。实验证明 CAAP 相对于代表性方法在降低类别依赖性偏差并具备出色整体性能方面表现出优势，突出了其作为一种适用于实际应用需求的时间序列建模的可靠 ADA 方法。

Abstract

data augmentation is a common technique used to enhance the performance of deep learning models by expanding the training dataset. Automatic Data Augmentation (ADA) methods are getting popular because of their capacity to generate policies for various datasets. However, existing ADA me

data augmentation automatic data augmentation class-dependent bias time series electrocardiogram (ecg)

发现论文，激发创造

何时学习什么：模型自适应数据增强课程

模型自适应数据增强（MADAug）是一种通过训练数据增强策略网络来向模型教授何时学习何事的方法，旨在优化泛化性能。MADAug 通过模型自适应策略在训练阶段选择每个输入图像的增强操作，构建逐步优化的数据增强课程。在多个图像分类任务中，MADAug 在性能上超过或与其他基线方法相媲美，并且在所有类别中都能带来改进，特别是对于难分类的类别。此外，MADAug 的策略在转移到细粒度数据集时表现更好，逐渐引入越来越大的扰动，并自然地形成一个从简单到困难的课程。

Sep, 2023

对抗自动数据增强

通过使用对抗性方法，Adversarial AutoAugment 能够通过同时优化目标相关对象和数据增强策略搜索损失，以便更快且更有效率地完成深度神经网络的训练及图像分类任务，从而将计算成本减少 12 倍，时间开销减少 11 倍，达到了最佳的实验成果。

Dec, 2019

长期预测的数据增强策略搜索

我们介绍了一种名为 TSAA 的时间序列自动增强方法，用于应对长期预测中的过拟合挑战，并在挑战性的一元和多元预测基准问题上表现出卓越的性能，建议将其整合到预测流程中。

May, 2024

DADA: 可微分自动数据增强

本研究提出 Differentiable Automatic Data Augmentation (DADA) 算法，使用 Gumbel-Softmax 方法实现对离散的数据增强方法的选择，引入 RELAX 无偏梯度估计方法，提高了数据增强策略的学习效率。在 CIFAR-10、CIFAR-100、SVHN 和 ImageNet 数据集上的实验证明了该算法在达到同等精度的情况下，比现有最先进算法至少快一个数量级。同时，研究还证明了自动数据增强在预训练方面的价值。

Mar, 2020

AdaAugment：一种无需调优的自适应数据增强方法

AdaAugment 是一种无需调参的创新自适应增强方法，利用强化学习根据目标网络的实时反馈动态调整个别训练样本的增强程度，通过优化策略网络和目标网络的联合来有效适应增强程度，从而在效果和效率上一致性地优于其他最先进的数据增强方法。

May, 2024

AutoAugment: 从数据中学习增强策略

本文介绍了一种自动搜索图像数据增强策略，使用神经网络在目标数据集上产生最高准确性，并在 CIFAR-10，CIFAR-100，SVHN 和 ImageNet 数据集上实现了最先进的准确性，同时找到的增强策略可在不同数据集间转移学习。

May, 2018

APAC: 基于神经网络的增强模式分类

本文提出了使用增强数据学习的最佳决策规则来进行分类的 APAC 方法，并且实验证明，使用该方法会显著提高分类器的泛化能力。

May, 2015

基于种群的数据扩充：高效学习数据扩充策略

本文提出一种新的数据增强算法 ——Population Based Augmentation (PBA)—— 来生成非静态的增强策略日程表，相比于目前最先进的方法 AutoAugment，PBA 在 CIFAR-10、CIFAR-100 和 SVHN 数据集上耗费的总计算资源少三个数量级，但性能相当。在 CIFAR-10 数据集上，我们实现了 1.46% 的平均测试误差，稍微优于当前的最先进水平。

May, 2019

ECAP：基于大规模剪切粘贴增强的无监督域自适应语义分割

在此篇研究论文中，我们提出一种名为 ECAP 的广泛剪切和粘贴策略，通过数据增强来利用可靠的伪标签，从而在无监督领域适应语义分割任务中提高性能。

Mar, 2024

Text AutoAugment: 学习文本分类的组合增强策略

Text AutoAugment 是一种数据增强方法，通过贝叶斯优化算法自动寻找最佳组合操作作为增强策略应用于训练数据。该方法显著提高了模型的泛化能力，并在六个基准数据集上表现突出，特别是在低资源和类不平衡情况下，相应的分类准确率平均分别提高了 8.8% 和 9.7%。

Sep, 2021