論文の概要: DNA: Dynamic Network Augmentation

• arxiv url: http://arxiv.org/abs/2112.09277v1
• Date: Fri, 17 Dec 2021 01:43:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-20 15:57:49.511051
• Title: DNA: Dynamic Network Augmentation
• Title（参考訳）: DNA: 動的ネットワーク拡張
• Authors: Scott Mahan, Tim Doster, Henry Kvinge
• Abstract要約: 入力条件拡張ポリシーを学習する動的ネットワーク拡張(DNA)を導入する。 我々のモデルは動的拡張ポリシーを可能にし、入力特徴に条件付き幾何変換を持つデータに対してうまく機能する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many classification problems, we want a classifier that is robust to a range of non-semantic transformations. For example, a human can identify a dog in a picture regardless of the orientation and pose in which it appears. There is substantial evidence that this kind of invariance can significantly improve the accuracy and generalization of machine learning models. A common technique to teach a model geometric invariances is to augment training data with transformed inputs. However, which invariances are desired for a given classification task is not always known. Determining an effective data augmentation policy can require domain expertise or extensive data pre-processing. Recent efforts like AutoAugment optimize over a parameterized search space of data augmentation policies to automate the augmentation process. While AutoAugment and similar methods achieve state-of-the-art classification accuracy on several common datasets, they are limited to learning one data augmentation policy. Often times different classes or features call for different geometric invariances. We introduce Dynamic Network Augmentation (DNA), which learns input-conditional augmentation policies. Augmentation parameters in our model are outputs of a neural network and are implicitly learned as the network weights are updated. Our model allows for dynamic augmentation policies and performs well on data with geometric transformations conditional on input features.
• Abstract（参考訳）: 多くの分類問題では、非意味変換の範囲に頑健な分類器が求められている。 例えば、人間は、向きに関係なく写真の中の犬を識別し、その姿を示すことができる。 この種の不変性は、機械学習モデルの精度と一般化を著しく向上させることができるという証拠がかなりある。 モデル幾何学的不変性を教える一般的なテクニックは、変換された入力でトレーニングデータを増強することである。 しかし、与えられた分類タスクに対してどの不変性が望ましいかは必ずしも分かっていない。 効果的なデータ拡張ポリシーを決定するには、ドメインの専門知識や広範なデータ前処理が必要です。 最近のautoaugmentのような取り組みは、拡張処理を自動化するためにデータ拡張ポリシーのパラメータ化された検索空間を最適化する。 オートオーグメントと類似の手法は、いくつかの一般的なデータセットで最先端の分類精度を達成するが、それらは1つのデータ拡張ポリシーを学ぶことに限定される。 しばしば異なるクラスや特徴が異なる幾何学的不変性を求める。 入力条件拡張ポリシーを学習する動的ネットワーク拡張(DNA)を導入する。 このモデルの拡張パラメータはニューラルネットワークの出力であり、ネットワークの重み付けが更新されると暗黙的に学習される。 我々のモデルは動的拡張ポリシーを可能にし、入力特徴に条件付き幾何変換を持つデータに対してうまく機能する。

関連論文リスト

• Genetic Learning for Designing Sim-to-Real Data Augmentations [1.03590082373586]
  データ拡張は、合成データのトレーニングにおいて、sim-to-realドメインギャップを閉じるのに有用である。 多くの画像増強技術があり、強度や確率などの異なる設定でパラメータ化されている。 本稿では、特定のsim-to-real設定に対して、ある拡張ポリシーがどの程度うまく機能するかを予測するために、組み合わせられる2つの異なる解釈可能な指標を提案する。
  論文  参考訳（メタデータ） (2024-03-11T15:00:56Z)
• Adversarial Auto-Augment with Label Preservation: A Representation Learning Principle Guided Approach [95.74102207187545]
  本研究では,事前自由な自律的データ拡張の目的が表現学習の原則から導出可能であることを示す。 そこで我々は,既存の手法にシームレスに最適化し,シームレスに統合できる目的に対して,実用的なサロゲートを提案する。
  論文  参考訳（メタデータ） (2022-11-02T02:02:51Z)
• Learning Instance-Specific Augmentations by Capturing Local Invariances [62.70897571389785]
  InstaAugは、データから入力固有の拡張を自動的に学習する方法である。 InstaAugは、幅広い変換クラスに対して意味のある入力依存の強化を学ぶことを実証的に示す。
  論文  参考訳（メタデータ） (2022-05-31T18:38:06Z)
• 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)
• Deep invariant networks with differentiable augmentation layers [87.22033101185201]
  データ拡張ポリシーの学習方法は、保持データを必要とし、二段階最適化の問題に基づいている。 我々のアプローチは、現代の自動データ拡張技術よりも訓練が簡単で高速であることを示す。
  論文  参考訳（メタデータ） (2022-02-04T14:12:31Z)
• CADDA: Class-wise Automatic Differentiable Data Augmentation for EEG Signals [92.60744099084157]
  本研究では、勾配に基づく学習に適した微分可能データ拡張を提案する。 本研究は,臨床関連睡眠ステージ分類課題におけるアプローチの意義を示す。
  論文  参考訳（メタデータ） (2021-06-25T15:28:48Z)
• Rotating spiders and reflecting dogs: a class conditional approach to learning data augmentation distributions [0.0]
  拡張変換のクラス条件分布を学習する手法を提案する。 メソッドがクラスによって異なる意味のない変換を学習する例をいくつか挙げる。 本手法は,潜在的に複雑なデータセットに固有の対称性を探索するためのツールとして利用できる。
  論文  参考訳（メタデータ） (2021-06-07T23:36:24Z)
• Category-Learning with Context-Augmented Autoencoder [63.05016513788047]
  実世界のデータの解釈可能な非冗長表現を見つけることは、機械学習の鍵となる問題の一つである。 本稿では,オートエンコーダのトレーニングにデータ拡張を利用する新しい手法を提案する。 このような方法で変分オートエンコーダを訓練し、補助ネットワークによって変換結果を予測できるようにする。
  論文  参考訳（メタデータ） (2020-10-10T14:04:44Z)

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。