論文の概要: A Survey of Mix-based Data Augmentation: Taxonomy, Methods,
Applications, and Explainability
- arxiv url: http://arxiv.org/abs/2212.10888v1
- Date: Wed, 21 Dec 2022 09:58:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 13:34:26.686631
- Title: A Survey of Mix-based Data Augmentation: Taxonomy, Methods,
Applications, and Explainability
- Title(参考訳): 混合データ拡張に関する調査研究:分類学,方法,応用,説明可能性
- Authors: Chengtai Cao, Fan Zhou, Yurou Dai, and Jianping Wang
- Abstract要約: データ拡張(DA)は、現代の機械学習やディープニューラルネットワークでは不可欠である。
本研究では、MixDA (Mix-based Data Augmentation) の小さなが必須のサブセットについてレビューする。
単一サンプルの操作やドメイン知識を必要とする従来のDAアプローチとは異なり、MixDAはより幅広い新しいデータを作成するのに一般的である。
- 参考スコア(独自算出の注目度): 13.289769314040282
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data augmentation (DA) is indispensable in modern machine learning and deep
neural networks. The basic idea of DA is to construct new training data to
improve the model's generalization by adding slightly disturbed versions of
existing data or synthesizing new data. In this work, we review a small but
essential subset of DA -- Mix-based Data Augmentation (MixDA) that generates
novel samples by mixing multiple examples. Unlike conventional DA approaches
based on a single-sample operation or requiring domain knowledge, MixDA is more
general in creating a broad spectrum of new data and has received increasing
attention in the community. We begin with proposing a new taxonomy classifying
MixDA into, Mixup-based, Cutmix-based, and hybrid approaches according to a
hierarchical view of the data mix. Various MixDA techniques are then
comprehensively reviewed in a more fine-grained way. Owing to its
generalization, MixDA has penetrated a variety of applications which are also
completely reviewed in this work. We also examine why MixDA works from
different aspects of improving model performance, generalization, and
calibration while explaining the model behavior based on the properties of
MixDA. Finally, we recapitulate the critical findings and fundamental
challenges of current MixDA studies, and outline the potential directions for
future works. Different from previous related works that summarize the DA
approaches in a specific domain (e.g., images or natural language processing)
or only review a part of MixDA studies, we are the first to provide a
systematical survey of MixDA in terms of its taxonomy, methodology,
applications, and explainability. This work can serve as a roadmap to MixDA
techniques and application reviews while providing promising directions for
researchers interested in this exciting area.
- Abstract(参考訳): データ拡張(DA)は、現代の機械学習やディープニューラルネットワークでは不可欠である。
daの基本的な考え方は、既存のデータのわずかに乱れたバージョンを追加したり、新しいデータを合成することでモデルの一般化を改善するために、新しいトレーニングデータを構築することである。
本稿では、MixDA(Mix-based Data Augmentation)の小さな部分集合を概説し、複数のサンプルを混合して新しいサンプルを生成する。
単一サンプル操作やドメイン知識を必要とする従来のDAアプローチとは異なり、MixDAはより幅広い新しいデータを作成する上で一般的であり、コミュニティで注目を集めている。
データミックスの階層的ビューに従って、mixdaをmixupベース、cutmixベース、ハイブリッドアプローチに分類する新しい分類法の提案から始めます。
様々なMixDAテクニックは、よりきめ細かい方法で包括的にレビューされる。
一般化により、MixDAは様々なアプリケーションに浸透し、この研究で完全にレビューされている。
また,mixdaがモデル性能,一般化,キャリブレーションといった異なる側面から機能する理由を,mixdaの特性に基づいたモデル動作を解説しながら検証した。
最後に,現在のmixda研究における批判的知見と根本的な課題を再定義し,今後の研究の方向性について概説する。
特定の領域におけるdaアプローチ(画像や自然言語処理など)を要約したり、mixda研究の一部のみをレビューしたりする以前の関連著作とは異なり、mixdaの分類学、方法論、応用、説明可能性に関して体系的な調査を行ったのは初めてです。
この作業は、MixDAテクニックとアプリケーションレビューのロードマップとして機能し、このエキサイティングな領域に関心のある研究者に有望な方向性を提供する。
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) - G-Mix: A Generalized Mixup Learning Framework Towards Flat Minima [17.473268736086137]
我々は、DNNモデルのトレーニングにMixupとSAMの強みを組み合わせた、Generalized-Mixupと呼ばれる新しい学習フレームワークを提案する。
本稿では2つの新しいアルゴリズムを提案する: バイナリG-Mixと分解G-Mixは、各サンプルのシャープネス感度に基づいてトレーニングデータを2つのサブセットに分割する。
理論的説明と実験結果の両方により、提案したBG-MixアルゴリズムとDG-Mixアルゴリズムは、複数のデータセットやモデルにわたるモデルの一般化をさらに強化することが明らかとなった。
論文 参考訳(メタデータ) (2023-08-07T01:25:10Z) - MiAMix: Enhancing Image Classification through a Multi-stage Augmented
Mixed Sample Data Augmentation Method [0.5919433278490629]
マルチステージAugmented Mixupの略であるMiAMixという新しいミックスアップ手法を提案する。
MiAMixは、画像強化をミックスアップフレームワークに統合し、複数の多様化ミキシング法を同時に利用し、ミキシングマスク増強法をランダムに選択することでミキシング方法を改善する。
近年の手法では、サリエンシ情報を利用し、MiAMixは計算効率も向上し、オーバーヘッドを減らし、既存のトレーニングパイプラインに容易に統合できるようになっている。
論文 参考訳(メタデータ) (2023-08-05T06:29:46Z) - DropMix: Reducing Class Dependency in Mixed Sample Data Augmentation [26.188493624774747]
MDA(Mixed sample data augmentation)は、様々なタスクのパフォーマンス向上に広く用いられている技術である。
我々はMSDAの効果がクラスに依存していることを示し、一部のクラスは性能が向上し、他のクラスは低下することを示した。
我々は,MSDA計算から特定のデータの割合を除外したDropMix法を提案する。
論文 参考訳(メタデータ) (2023-07-18T10:34:21Z) - Dataset Distillation: A Comprehensive Review [76.26276286545284]
データセット蒸留(DD)は、トレーニングされたモデルが元のデータセットでトレーニングされたデータセットに匹敵するパフォーマンスを得るために、合成サンプルを含むはるかに小さなデータセットを導出することを目的としている。
本稿ではDDの最近の進歩とその応用について概説する。
論文 参考訳(メタデータ) (2023-01-17T17:03:28Z) - MixupE: Understanding and Improving Mixup from Directional Derivative
Perspective [86.06981860668424]
理論上は、バニラ・ミックスアップよりも優れた一般化性能を実現するために、Mixupの改良版を提案する。
提案手法は,様々なアーキテクチャを用いて,複数のデータセットにまたがるMixupを改善した。
論文 参考訳(メタデータ) (2022-12-27T07:03:52Z) - Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。
我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。
我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
論文 参考訳(メタデータ) (2022-09-30T15:01:35Z) - 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) - CoSMix: Compositional Semantic Mix for Domain Adaptation in 3D LiDAR
Segmentation [62.259239847977014]
我々は,点雲UDA,すなわちコンポジション・セマンティック・ミックス(CoSMix)に対する試料混合の新しい手法を提案する。
CoSMixは2分岐対称ネットワークで構成されており、ラベル付き合成データ(ソース)と現実世界の非競合点雲(ターゲット)を同時に処理することができる。
我々はCoSMixを2つの大規模データセット上で評価し、最先端の手法よりも大きなマージンで優れていることを示した。
論文 参考訳(メタデータ) (2022-07-20T09:33:42Z) - MixAugment & Mixup: Augmentation Methods for Facial Expression
Recognition [4.273075747204267]
我々はMixAugmentと呼ばれるMixupに基づく新しいデータ拡張戦略を提案する。
本研究は、MixAugment over Mixupおよび様々な最先端手法の有効性を実証する広範囲な実験的研究を行う。
論文 参考訳(メタデータ) (2022-05-09T17:43:08Z)
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。