論文の概要: The Penalty Imposed by Ablated Data Augmentation

• arxiv url: http://arxiv.org/abs/2006.04769v1
• Date: Mon, 8 Jun 2020 17:38:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 00:49:30.909781
• Title: The Penalty Imposed by Ablated Data Augmentation
• Title（参考訳）: Ablated Data Augmentationによる罰則
• Authors: Frederick Liu, Amir Najmi, Mukund Sundararajan
• Abstract要約: 本研究では,線形回帰に対する平均拡張データと逆ドロップアウトの形式モデルについて検討する。 短縮データ拡張は、通常の最小二乗目標とペナルティの最適化と等価であることを示す。
• 参考スコア（独自算出の注目度）: 17.639472693362926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There is a set of data augmentation techniques that ablate parts of the input at random. These include input dropout, cutout, and random erasing. We term these techniques ablated data augmentation. Though these techniques seems similar in spirit and have shown success in improving model performance in a variety of domains, we do not yet have a mathematical understanding of the differences between these techniques like we do for other regularization techniques like L1 or L2. First, we study a formal model of mean ablated data augmentation and inverted dropout for linear regression. We prove that ablated data augmentation is equivalent to optimizing the ordinary least squares objective along with a penalty that we call the Contribution Covariance Penalty and inverted dropout, a more common implementation than dropout in popular frameworks, is equivalent to optimizing the ordinary least squares objective along with Modified L2. For deep networks, we demonstrate an empirical version of the result if we replace contributions with attributions and coefficients with average gradients, i.e., the Contribution Covariance Penalty and Modified L2 Penalty drop with the increase of the corresponding ablated data augmentation across a variety of networks.
• Abstract（参考訳）: 入力の一部をランダムに省略する一連のデータ拡張技術がある。 これには入力ドロップアウト、カットアウト、ランダム消去が含まれる。 これらの手法はデータ拡張を短縮した。 これらの技術は精神に似ており、様々な領域におけるモデル性能の向上に成功しているように見えるが、L1やL2のような他の正規化技術のように、これらの技術の違いを数学的に理解していない。 まず,線形回帰のための平均アブレーションと逆ドロップアウトの形式モデルについて検討した。 我々は,従来の最小二乗目標の最適化に等価であることを示すとともに,一般のフレームワークのドロップアウトよりも一般的な実装であるContribution Covariance Penalty and inverted Dropoutと呼ぶペナルティを,修正されたL2とともに最小二乗目標の最適化に等価であることを示す。 ディープネットワークの場合、貢献を平均勾配による帰属係数と係数に置き換え、すなわち、様々なネットワークで対応するアブレーションデータの増加に伴って、貢献共分散ペナルティと修正l2ペナルティの低下に置き換えれば、結果の実証的なバージョンを示す。

関連論文リスト

• DualAug: Exploiting Additional Heavy Augmentation with OOD Data Rejection [77.6648187359111]
  そこで本稿では,textbfDualAug という新しいデータ拡張手法を提案する。 教師付き画像分類ベンチマークの実験では、DualAugは様々な自動データ拡張法を改善している。
  論文  参考訳（メタデータ） (2023-10-12T08:55:10Z)
• Implicit Counterfactual Data Augmentation for Robust Learning [24.795542869249154]
  本研究では, 突発的相関を除去し, 安定した予測を行うために, インプリシト・カウンセショナル・データ拡張法を提案する。 画像とテキストのデータセットをカバーする様々なバイアス付き学習シナリオで実験が行われてきた。
  論文  参考訳（メタデータ） (2023-04-26T10:36:40Z)
• How Much Data Are Augmentations Worth? An Investigation into Scaling Laws, Invariance, and Implicit Regularization [76.58017437197859]
  アウト・オブ・ディストリビューションテストのシナリオでは、多種多様なサンプルを生成するが、データ分散と矛盾しない増分は、追加のトレーニングデータよりもさらに価値がある。 トレーニング中に増強が付加性をもたらし、損失景観を効果的に平らにすることを示す。
  論文  参考訳（メタデータ） (2022-10-12T17:42:01Z)
• The Power and Limitation of Pretraining-Finetuning for Linear Regression under Covariate Shift [127.21287240963859]
  本研究では,対象データに基づく事前学習と微調整を併用した伝達学習手法について検討する。 大規模な線形回帰インスタンスの場合、$O(N2)$ソースデータによる転送学習は、$N$ターゲットデータによる教師あり学習と同じくらい効果的である。
  論文  参考訳（メタデータ） (2022-08-03T05:59:49Z)
• Rethinking the Augmentation Module in Contrastive Learning: Learning Hierarchical Augmentation Invariance with Expanded Views [22.47152165975219]
  データ拡張モジュールは、データサンプルを2つのビューに変換するために、対照的な学習に使用される。 本稿では, 一般的なコントラスト学習フレームワークにおいて, コントラストとコントラストを考慮し, これら2つの問題を緩和する一般的な手法を提案する。
  論文  参考訳（メタデータ） (2022-06-01T04:30:46Z)
• Counterfactual Data Augmentation improves Factuality of Abstractive Summarization [6.745946263790011]
  提案手法によりトレーニングデータを増強することにより,ROUGEスコアに大きな影響を及ぼすことなく,要約の事実的正しさが向上することを示す。 一般的に使われている2つの要約データセット(CNN/Dailymail と XSum)では,平均2.5ポイント程度で事実の正しさが向上することを示す。
  論文  参考訳（メタデータ） (2022-05-25T00:00:35Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
  そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。 実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
  論文  参考訳（メタデータ） (2021-12-10T20:46:13Z)
• Advanced Dropout: A Model-free Methodology for Bayesian Dropout Optimization [62.8384110757689]
  ディープニューラルネットワーク(DNN)の現実的応用において、ユビキタスなオーバーフィッティングが存在する 先進的なドロップアウト手法は、パラメトリック先行でモデルフリーで容易に実装された分布を適用し、ドロップアウト率を適応的に調整する。 7つのコンピュータビジョンデータセットにおける9つのドロップアウト手法に対する高度なドロップアウトの有効性を評価する。
  論文  参考訳（メタデータ） (2020-10-11T13:19:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。