論文の概要: AutoMix: Unveiling the Power of Mixup
- arxiv url: http://arxiv.org/abs/2103.13027v1
- Date: Wed, 24 Mar 2021 07:21:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 19:13:51.314300
- Title: AutoMix: Unveiling the Power of Mixup
- Title(参考訳): AutoMix: ミックスアップのパワーを解放する
- Authors: Zicheng Liu, Siyuan Li, Di Wu, Zhiyuan Chen, Lirong Wu, Jianzhu Guo,
Stan Z. Li
- Abstract要約: サンプル混合ポリシーを適応的に学習するために、識別機能を利用する柔軟性のある一般的な自動混合フレームワークを紹介します。
mixup をプリテキストタスクとして捉え,ミックスサンプル生成とミックスアップ分類という2つのサブプロブレムに分割した。
6つの人気のある分類ベンチマークの実験は、AutoMixが他の主要なミックスアップメソッドを一貫して上回っていることを示している。
- 参考スコア(独自算出の注目度): 34.623943038648164
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mixup-based data augmentation has achieved great success as regularizer for
deep neural networks. However, existing mixup methods require explicitly
designed mixup policies. In this paper, we present a flexible, general
Automatic Mixup (AutoMix) framework which utilizes discriminative features to
learn a sample mixing policy adaptively. We regard mixup as a pretext task and
split it into two sub-problems: mixed samples generation and mixup
classification. To this end, we design a lightweight mix block to generate
synthetic samples based on feature maps and mix labels. Since the two
sub-problems are in the nature of Expectation-Maximization (EM), we also
propose a momentum training pipeline to optimize the mixup process and mixup
classification process alternatively in an end-to-end fashion. Extensive
experiments on six popular classification benchmarks show that AutoMix
consistently outperforms other leading mixup methods and improves
generalization abilities to downstream tasks. We hope AutoMix will motivate the
community to rethink the role of mixup in representation learning. The code
will be released soon.
- Abstract(参考訳): ミックスアップベースのデータ拡張は、ディープニューラルネットワークのレギュレータとして大きな成功を収めた。
しかし、既存のmixupメソッドは明確に設計されたmixupポリシーを必要とする。
本稿では,識別的特徴を利用してサンプル混合ポリシーを適応的に学習するフレキシブルで汎用的な自動混合(automix)フレームワークを提案する。
mixup をプリテキストタスクとして捉え,ミックスサンプル生成とミックスアップ分類という2つのサブプロブレムに分割した。
そこで我々は,特徴マップと混合ラベルに基づく合成サンプルを生成する軽量な混合ブロックを設計した。
この2つのサブプロブレムは期待最大化(em)の性質にあるため,混合過程と混合分類プロセスをエンドツーエンドで代替的に最適化する運動量トレーニングパイプラインも提案する。
6つの人気のある分類ベンチマークの大規模な実験は、AutoMixが他の主要な混合手法を一貫して上回り、下流タスクの一般化能力を改善することを示している。
automixは、表現学習におけるmixupの役割を、コミュニティが再考する動機になることを願っている。
コードはまもなくリリースされる。
関連論文リスト
- PowMix: A Versatile Regularizer for Multimodal Sentiment Analysis [71.8946280170493]
本稿では,単相混合型正規化手法の強みを生かした汎用な埋め込み空間正規化器であるPowMixを紹介する。
PowMixはマルチモーダルアーキテクチャの融合段階の前に統合され、テキストとテキストを混合するなどのモダル内混合を容易にし、レギュレータとして機能する。
論文 参考訳(メタデータ) (2023-12-19T17:01:58Z) - Adversarial AutoMixup [50.1874436169571]
本稿では,AdAutomixupを提案する。
画像分類のための堅牢な分類器を訓練するために、挑戦的なサンプルを生成する。
本手法は, 様々な分類シナリオにおいて, 技術状況に優れる。
論文 参考訳(メタデータ) (2023-12-19T08:55:00Z) - Selective Mixup Helps with Distribution Shifts, But Not (Only) because
of Mixup [26.105340203096596]
本研究では,ペアの非ランダム選択がトレーニング分布に影響を及ぼし,混合とは無関係な手段による一般化が向上することを示す。
選択混合法と再サンプリング法という2つの手法の間に新しい等価性を見出した。
論文 参考訳(メタデータ) (2023-05-26T10:56:22Z) - Infinite Class Mixup [26.48101652432502]
Mixupは、トレーニングペアのインプットとラベルを補間することで、追加のサンプルが拡張されるディープネットワークのトレーニング戦略である。
本論文は,各混合ペアのラベルを混合する代わりに,分類器を直接混合することにより,この問題に対処することを目的とする。
Infinite Class Mixupは標準のMixupやRegMixupやRemixなど、バランスの取れた、長い尾のついた、データに制約のあるベンチマークにおいて、パフォーマンスが向上することを示す。
論文 参考訳(メタデータ) (2023-05-17T15:27:35Z) - C-Mixup: Improving Generalization in Regression [71.10418219781575]
混合アルゴリズムは、一対の例とその対応するラベルを線形補間することによって一般化を改善する。
ラベルの類似度に基づいてサンプリング確率を調整するC-Mixupを提案する。
C-Mixupは6.56%、4.76%、5.82%の改善、タスクの一般化、アウト・オブ・ディストリビューションの堅牢性を実現している。
論文 参考訳(メタデータ) (2022-10-11T20:39:38Z) - OpenMixup: A Comprehensive Mixup Benchmark for Visual Classification [58.680100108871436]
教師付き視覚分類のための総合的な混合ベンチマークであるOpenMixupを紹介する。
OpenMixupは、ミックスアップベースのモデル設計とトレーニングのフレームワークを提供し、幅広いデータミキシングアルゴリズム、広範囲に使用されているバックボーンとモジュール、モデル解析ツールキットのセットを含んでいる。
論文 参考訳(メタデータ) (2022-09-11T12:46:01Z) - Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。
本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。
DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
論文 参考訳(メタデータ) (2022-03-21T07:12:18Z) - MixMo: Mixing Multiple Inputs for Multiple Outputs via Deep Subnetworks [97.08677678499075]
マルチインプットマルチアウトプットディープワークを学ぶための新しいフレームワークであるMixMoを紹介します。
機能、特にCutMixのパッチによるバイナリの混合は、ワークをより強く、より多様なものにすることによって、結果を向上します。
実装が容易で、推論にコストがかかることに加えて、我々のモデルはよりコストの高いデータ拡張深層アンサンブルよりも優れています。
論文 参考訳(メタデータ) (2021-03-10T15:31:02Z) - Mixup Without Hesitation [38.801366276601414]
我々は、簡潔で効果的で使いやすいトレーニングアルゴリズムであるMixup Without hesitation (mWh)を提案する。
mWhは、ミックスアップを基本データ拡張に徐々に置き換えることで、探索とエクスプロイトのバランスを良くする。
私たちのコードはオープンソースで、https://github.com/yuhao318318/mwhで利用可能です。
論文 参考訳(メタデータ) (2021-01-12T08:11:08Z)
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。