- ACLAutoAugment 是您所需的:增强基于规则的增强方法在低资源环境中的应用
本文提出了一种基于 AutoAugment 的方法来解决文本数据增强中的语义损害问题,并实验证明该方法可以改善现有的增强方法,并增强先进的预训练语言模型。
- UniformAugment: 一种无需搜索的概率数据增强方法
本文研究数据扩增的方法及其在计算机视觉任务中的效果,提出了 UniformAugment,一种无需搜索阶段即可实现自动数据扩增的方法, 并通过标准的数据集和经典模型证明其有效性和高效性。
- 知识蒸馏方法规避 AutoAugment 的异常值
本文通过研究 AutoAugment 算法的工作机制发现其依赖于数据标签的问题,并采用知识蒸馏的方法来改进网络优化,实验结果表明我们的方法可以有效抑制数据扰动并提高准确率。
- ReMixMatch:分布对齐与增强定位的半监督学习
本文提出基于分布对齐和数据增广锚定的混合增广半监督学习算法 ReMixMatch ,通过学习增广策略提高数据效率,实验结果表明其比之前算法更为高效。
- EMNLP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。
- 计算机视觉中模型鲁棒性的傅里叶视角
计算机视觉中,通过数据增强方式可以提高鲁棒性,但增加高斯数据增强和对抗训练等方法并不能保证所有的污染类型都能同样得到提高,因此需要使用更多样的数据增强方式来缓解这些折衷。最近提出的 AutoAugment 方法在清晰精度和鲁棒性方面均得到了 - ICML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 - 快速自动增强
本文提出了一种名为 Fast AutoAugment 的算法,通过基于密度匹配的更高效的搜索策略找到有效的数据扩充策略,相比于 AutoAugment,该算法在各种模型和数据集上加速了搜索时间,并实现了可比较的图像识别性能。
- CVPRAutoAugment: 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。