Fugu-MT 論文翻訳(概要): A Survey on Mixup Augmentations and Beyond

論文の概要: A Survey on Mixup Augmentations and Beyond

arxiv url: http://arxiv.org/abs/2409.05202v1
Date: Sun, 8 Sep 2024 19:32:22 GMT
ステータス: 処理完了
システム内更新日: 2024-09-10 16:58:34.077005
Title: A Survey on Mixup Augmentations and Beyond
Title（参考訳）: Mixup AugmentationとBeyondに関する調査
Authors: Xin Jin, Hongyu Zhu, Siyuan Li, Zedong Wang, Zicheng Liu, Chang Yu, Huafeng Qin, Stan Z. Li,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 59.578288906956736
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As Deep Neural Networks have achieved thrilling breakthroughs in the past decade, data augmentations have garnered increasing attention as regularization techniques when massive labeled data are unavailable. Among existing augmentations, Mixup and relevant data-mixing methods that convexly combine selected samples and the corresponding labels are widely adopted because they yield high performances by generating data-dependent virtual data while easily migrating to various domains. This survey presents a comprehensive review of foundational mixup methods and their applications. We first elaborate on the training pipeline with mixup augmentations as a unified framework containing modules. A reformulated framework could contain various mixup methods and give intuitive operational procedures. Then, we systematically investigate the applications of mixup augmentations on vision downstream tasks, various data modalities, and some analysis \& theorems of mixup. Meanwhile, we conclude the current status and limitations of mixup research and point out further work for effective and efficient mixup augmentations. This survey can provide researchers with the current state of the art in mixup methods and provide some insights and guidance roles in the mixup arena. An online project with this survey is available at \url{https://github.com/Westlake-AI/Awesome-Mixup}.
Abstract（参考訳）: ディープニューラルネットワークは過去10年で驚くべきブレークスルーを達成したため、大量のラベル付きデータが利用できない場合の正規化技術として、データ拡張が注目を集めている。既存の拡張の中で、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ミックスアップと関連する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。最初に、モジュールを含む統一フレームワークとしてミックスアップ拡張を使用したトレーニングパイプラインについて詳しく説明します。改訂されたフレームワークは、様々なミックスアップメソッドを含み、直感的な操作手順を提供することができる。そこで我々は,視線下流タスクへのミックスアップ拡張の適用,様々なデータモダリティ,およびミックスアップのいくつかの解析および定理について,系統的に検討した。一方、ミックスアップ研究の現状と限界を結論し、効果的かつ効率的なミックスアップ強化に向けたさらなる取り組みを指摘する。この調査は、ミックスアップ手法の最先端を研究者に提供し、ミックスアップ分野におけるいくつかの洞察とガイダンスの役割を提供する。この調査のオンラインプロジェクトは、 \url{https://github.com/Westlake-AI/Awesome-Mixup}で公開されている。

関連論文リスト

ProxiMix: Enhancing Fairness with Proximity Samples in Subgroups [17.672299431705262]
線形ミックスアップのみを使用することで、バイアス軽減のためのデータ拡張テクニックは、データセットラベルにバイアスを保持することができる。本稿では,既存の混合手法と新たなバイアス軽減アルゴリズムの両方を活用可能な,新しい前処理手法を提案する。 ProxiMixは、より公平なデータ拡張のために、ペアワイズと近接関係を保持します。
論文参考訳（メタデータ） (2024-10-02T00:47:03Z)
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)
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)
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)
A Survey of Mix-based Data Augmentation: Taxonomy, Methods, Applications, and Explainability [29.40977854491399]
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。
論文参考訳（メタデータ） (2022-12-21T09:58:14Z)
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: Open Mixup Toolbox and Benchmark for Visual Representation Learning [53.57075147367114]
視覚表現学習のための最初のミックスアップ拡張とベンチマークであるOpenMixupを紹介する。私たちは、スクラッチから18の代表的なミックスアップベースラインをトレーニングし、11の画像データセットでそれらを厳格に評価します。また、人気のあるビジョンバックボーン、最適化戦略、分析ツールキットのコレクションを含むモジュラーバックボーンをオープンソースにしています。
論文参考訳（メタデータ） (2022-09-11T12:46:01Z)
RandoMix: A mixed sample data augmentation method with multiple mixed modes [12.466162659083697]
RandoMixは、堅牢性と多様性の課題に対処するために設計された、混合サンプルデータ拡張手法である。我々は,CIFAR-10/100,Tiny-ImageNet,ImageNet,Google Speech Commandsなど,さまざまなデータセットに対するRandoMixの有効性を評価する。
論文参考訳（メタデータ） (2022-05-18T05:31:36Z)
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)
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)

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。