論文の概要: A Survey of Mix-based Data Augmentation: Taxonomy, Methods, Applications, and Explainability

• arxiv url: http://arxiv.org/abs/2212.10888v2
• Date: Tue, 4 Jun 2024 02:11:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 16:52:40.845545
• 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, Jianping Wang, Kunpeng Zhang,
• 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。 この調査は、MixDA(Mix-based Data Augmentation)と呼ばれるDAテクニックの重要なサブセットを包括的にレビューする。 単一のサンプルやデータセット全体を運用する従来のDAアプローチとは対照的に、MixDAはその有効性、単純性、柔軟性、計算効率、理論的基礎、幅広い適用性のために際立っている。
• 参考スコア（独自算出の注目度）: 29.40977854491399
• 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. This survey comprehensively reviews a crucial subset of DA techniques, namely Mix-based Data Augmentation (MixDA), which generates novel samples by combining multiple examples. In contrast to traditional DA approaches that operate on single samples or entire datasets, MixDA stands out due to its effectiveness, simplicity, flexibility, computational efficiency, theoretical foundation, and broad applicability. We begin by introducing a novel taxonomy that categorizes MixDA into Mixup-based, Cutmix-based, and mixture approaches based on a hierarchical perspective of the data mixing operation. Subsequently, we provide an in-depth review of various MixDA techniques, focusing on their underlying motivations. Owing to its versatility, MixDA has penetrated a wide range of applications, which we also thoroughly investigate in this survey. Moreover, we delve into the underlying mechanisms of MixDA's effectiveness by examining its impact on model generalization and calibration while providing insights into the model's behavior by analyzing the inherent properties of MixDA. Finally, we recapitulate the critical findings and fundamental challenges of current MixDA studies while outlining the potential directions for future works. Different from previous related surveys that focus on DA approaches in specific domains (e.g., CV and NLP) or only review a limited subset of MixDA studies, we are the first to provide a systematical survey of MixDA, covering its taxonomy, methodology, application, and explainability. Furthermore, we provide 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によって、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。 この調査は、MixDA(Mix-based Data Augmentation)と呼ばれるDA技術の重要なサブセットを包括的にレビューし、複数のサンプルを組み合わせて新しいサンプルを生成する。 単一のサンプルやデータセット全体を運用する従来のDAアプローチとは対照的に、MixDAはその有効性、単純性、柔軟性、計算効率、理論的基礎、幅広い適用性のために際立っている。 まず、データ混合操作の階層的視点に基づいて、MixDAをMixupベース、Cutmixベース、および混合アプローチに分類する新しい分類法を導入する。 その後、さまざまなMixDAテクニックの詳細なレビューを行い、その基盤となるモチベーションに注目します。 汎用性のため、MixDAは幅広いアプリケーションに浸透しており、この調査でも徹底的に調査しています。 さらに,MixDAのモデル一般化とキャリブレーションへの影響を検証し,MixDA固有の特性を解析してモデル挙動の洞察を与えることにより,MixDAの有効性の基盤となるメカニズムを探求する。 最後に、今後の研究の方向性を概説しながら、現在のMixDA研究における批判的な発見と根本的な課題を再カプセル化する。 特定の分野(例えばCV,NLP)におけるDAアプローチに焦点をあてた以前の調査と異なり,MixDA研究の限られたサブセットのみをレビューし,その分類,方法論,応用,説明可能性について,MixDAの体系的な調査を行ったのは今回が初めてである。 さらに、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

• A Survey on Mixup Augmentations and Beyond [59.578288906956736]
  選択したサンプルと対応するラベルを凸的に組み合わせた混合および関連データ混合手法が広く採用されている。 本調査では, 基礎混合法とその応用について概観する。
  論文  参考訳（メタデータ） (2024-09-08T19:32:22Z)
• Embedding And Clustering Your Data Can Improve Contrastive Pretraining [0.0]
  我々は、事前訓練されたテキスト埋め込みモデルと古典的なk-meansクラスタリングアルゴリズムを活用することにより、ソースの粒度を超えてトレーニングデータ層を拡大することを検討する。 MSMARCOトランジッション検索データセットからBERTベースのテキスト埋め込みモデルをクエリパスペア上で事前学習する場合,NDCG@10の顕著な増加が観察された。
  論文  参考訳（メタデータ） (2024-07-26T17:36:40Z)
• SCMix: Stochastic Compound Mixing for Open Compound Domain Adaptation in Semantic Segmentation [20.311948275950606]
  オープン複合ドメイン適応(OCDA)は、ラベル付きソースドメインから未ラベルの同種化合物ターゲットドメインの混合に知識を伝達し、未確認ドメインを一般化することを目的としている。 既存のOCDA法は、分割・分散戦略によって領域内ギャップを解決し、この問題を複数の個別・並列領域適応(DA)タスクに分割する。 本稿では、ソースと混合ターゲット分布のばらつきを軽減するために、主目的の複合混合戦略(SCMix)を提案する。
  論文  参考訳（メタデータ） (2024-05-23T07:53:10Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• DualMix: Unleashing the Potential of Data Augmentation for Online Class-Incremental Learning [14.194817677415065]
  その結果,元のデータとの相関が低い拡張サンプルの方が,忘れの防止に有効であることが示唆された。 本稿では,拡張サンプルとラベルを同時に混合する拡張ミックスアップ(EnMix)手法を提案する。 クラス不均衡問題を解決するために、決定境界を調整するための適応混合法(AdpMix)を設計する。
  論文  参考訳（メタデータ） (2023-03-14T12:55:42Z)
• 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)
• 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)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。