論文の概要: LatentAugment: Dynamically Optimized Latent Probabilities of Data Augmentation

• arxiv url: http://arxiv.org/abs/2305.02668v1
• Date: Thu, 4 May 2023 09:26:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 16:21:05.208891
• Title: LatentAugment: Dynamically Optimized Latent Probabilities of Data Augmentation
• Title（参考訳）: LatentAugment: データ拡張の動的最適化潜在確率
• Authors: Koichi Kuriyama
• Abstract要約: 本研究では、最適な拡張の潜在確率を推定するtextitLatentAugment$を提案する。 実験結果から,提案手法はCIFAR-10, CIFAR-100, SVHN, ImageNetデータセットにおいて, 従来手法よりも精度が高いことがわかった。
• 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: Although data augmentation is a powerful technique for improving the performance of image classification tasks, it is difficult to identify the best augmentation policy. The optimal augmentation policy, which is the latent variable, cannot be directly observed. To address this problem, this study proposes $\textit{LatentAugment}$, which estimates the latent probability of optimal augmentation. The proposed method is appealing in that it can dynamically optimize the augmentation strategies for each input and model parameter in learning iterations. Theoretical analysis shows that LatentAugment is a general model that includes other augmentation methods as special cases, and it is simple and computationally efficient in comparison with existing augmentation methods. Experimental results show that the proposed LatentAugment has higher test accuracy than previous augmentation methods on the CIFAR-10, CIFAR-100, SVHN, and ImageNet datasets.
• Abstract（参考訳）: データ拡張は画像分類タスクの性能を向上させるための強力な手法であるが、最良の拡張ポリシーを特定することは困難である。 潜在変数である最適拡張ポリシーを直接観測することはできない。 この問題に対処するために,本研究では,最適拡張の潜在確率を推定する$\textit{latentaugment}$を提案する。 提案手法は,学習イテレーションにおける各入力およびモデルパラメータの強化戦略を動的に最適化できる点にアピールする。 理論的解析により、LatentAugmentは、他の拡張メソッドを特別なケースとして含む一般的なモデルであり、既存の拡張メソッドと比較して単純かつ計算的に効率的であることが示されている。 実験結果から,提案手法はCIFAR-10, CIFAR-100, SVHN, ImageNetデータセットにおいて, 従来手法よりも精度が高いことがわかった。

関連論文リスト

• EntAugment: Entropy-Driven Adaptive Data Augmentation Framework for Image Classification [10.334396596691048]
  チューニング不要かつ適応的なDAフレームワークであるEntAugmentを提案する。 トレーニング中の各サンプルの増大度を動的に評価し、調整する。 また、EntAugmentアプローチを補完する新しいエントロピー正規化項EntLossを導入する。
  論文  参考訳（メタデータ） (2024-09-10T07:42:47Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• Soft Augmentation for Image Classification [68.71067594724663]
  本稿では,変分変換による拡張の一般化とソフト拡張を提案する。 ソフトターゲットは、より攻撃的なデータ拡張を可能にすることを示す。 また,ソフト拡張が自己教師付き分類タスクに一般化されることも示している。
  論文  参考訳（メタデータ） (2022-11-09T01:04:06Z)
• SelectAugment: Hierarchical Deterministic Sample Selection for Data Augmentation [72.58308581812149]
  そこで我々は,SelectAugmentと呼ばれる効果的な手法を提案し,決定論的かつオンラインに拡張するサンプルを選択する。 具体的には、各バッチにおいて、まず増分比率を決定し、次にこの比で各トレーニングサンプルを増分するかを決定する。 これにより、サンプルを増量する際のランダム性による負の効果を効果的に軽減し、DAの有効性を向上させることができる。
  論文  参考訳（メタデータ） (2021-12-06T08:38:38Z)
• Smart(Sampling)Augment: Optimal and Efficient Data Augmentation for Semantic Segmentation [68.8204255655161]
  セマンティックイメージセグメンテーションに関する最初の研究を行い、textitSmartAugment と textitSmartSamplingAugment の2つの新しいアプローチを紹介した。 SmartAugmentはベイジアン最適化を使用して、拡張戦略の豊富なスペースを探索し、私たちが考慮しているすべてのセマンティックセグメンテーションタスクにおいて、新しい最先端のパフォーマンスを達成する。 SmartSamplingAugmentは、固定的な拡張戦略を備えたシンプルなパラメータフリーのアプローチで、既存のリソース集約型アプローチとパフォーマンスを競い合い、安価な最先端データ拡張手法を上回っている。
  論文  参考訳（メタデータ） (2021-10-31T13:04:45Z)
• ParticleAugment: Sampling-Based Data Augmentation [80.44268663372233]
  モデルトレーニング中に最適な拡張ポリシーとスケジュールを求めるために,粒子フィルタリングの定式化を提案する。 CIFAR-10, CIFAR-100, ImageNetデータセットにおいて, 自動拡張のための定式化が有望な結果に達することを示す。
  論文  参考訳（メタデータ） (2021-06-16T10:56:02Z)
• Reweighting Augmented Samples by Minimizing the Maximal Expected Loss [51.2791895511333]
  我々は,拡張標本の任意の重み付け損失に対する上限となる最大期待損失を構成する。 敵の訓練に触発されて、この最大期待損失を最小化し、単純で解釈可能なクローズドフォームソリューションを得る。 提案手法は, 一般に任意のデータ拡張法上に適用可能である。
  論文  参考訳（メタデータ） (2021-03-16T09:31:04Z)
• How Data Augmentation affects Optimization for Linear Regression [26.61545595997111]
  MSE損失を伴う線形回帰の単純凸設定における拡張効果について検討した。 この結果は任意の拡張スキームに適用され,凸条件下においても学習率と拡張率の間の複雑な相互作用が明らかになった。
  論文  参考訳（メタデータ） (2020-10-21T17:46:32Z)
• Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
  医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。 我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-10-07T12:51:17Z)

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。