論文の概要: IPF-RDA: An Information-Preserving Framework for Robust Data Augmentation

• arxiv url: http://arxiv.org/abs/2509.16678v1
• Date: Sat, 20 Sep 2025 13:06:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.920889
• Title: IPF-RDA: An Information-Preserving Framework for Robust Data Augmentation
• Title（参考訳）: IPF-RDA:ロバストデータ拡張のための情報保存フレームワーク
• Authors: Suorong Yang, Hongchao Yang, Suhan Guo, Furao Shen, Jian Zhao,
• Abstract要約: 本稿では,データ拡張の堅牢性を高めるため,新しい情報保存フレームワークであるIPF-RDAを提案する。 IPF-RDAは、(i)データ拡張操作に最も脆弱な点を識別する新しいクラス識別情報推定アルゴリズムの提案を組み合わせる。 我々は、IPF-RDAが、多くの一般的な最先端データ拡張手法の性能を一貫して改善していることを示す。
• 参考スコア（独自算出の注目度）: 14.441315866302382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data augmentation is widely utilized as an effective technique to enhance the generalization performance of deep models. However, data augmentation may inevitably introduce distribution shifts and noises, which significantly constrain the potential and deteriorate the performance of deep networks. To this end, we propose a novel information-preserving framework, namely IPF-RDA, to enhance the robustness of data augmentations in this paper. IPF-RDA combines the proposal of (i) a new class-discriminative information estimation algorithm that identifies the points most vulnerable to data augmentation operations and corresponding importance scores; And (ii) a new information-preserving scheme that preserves the critical information in the augmented samples and ensures the diversity of augmented data adaptively. We divide data augmentation methods into three categories according to the operation types and integrate these approaches into our framework accordingly. After being integrated into our framework, the robustness of data augmentation methods can be enhanced and their full potential can be unleashed. Extensive experiments demonstrate that although being simple, IPF-RDA consistently improves the performance of numerous commonly used state-of-the-art data augmentation methods with popular deep models on a variety of datasets, including CIFAR-10, CIFAR-100, Tiny-ImageNet, CUHK03, Market1501, Oxford Flower, and MNIST, where its performance and scalability are stressed. The implementation is available at https://github.com/Jackbrocp/IPF-RDA.
• Abstract（参考訳）: データ拡張はディープモデルの一般化性能を高める効果的な手法として広く利用されている。 しかし、データ拡張は必然的に分散シフトやノイズを導入し、これはディープネットワークの可能性を著しく抑制し、性能を低下させる。 そこで本稿では,データ拡張の堅牢性を高めるため,新しい情報保存フレームワークであるIPF-RDAを提案する。 IPF-RDAの提案が組み合わさって i)データ拡張操作に最も脆弱な点とそれに対応する重要点を識別する新しいクラス識別情報推定アルゴリズム (II)拡張サンプルの臨界情報を保存し、拡張データの多様性を適応的に確保する新しい情報保存方式。 我々は,データ拡張手法を操作タイプに応じて3つのカテゴリに分割し,これらのアプローチをフレームワークに統合する。 私たちのフレームワークに統合された後、データ拡張メソッドの堅牢性を強化し、その潜在能力を解き放つことができます。 大規模な実験により、IPF-RDAは、CIFAR-10、CIFAR-100、Tiny-ImageNet、CUHK03、Market1501、Oxford Flower、MNISTなど、様々なデータセット上の一般的なディープモデルを用いた多くの最先端データ拡張手法の性能を一貫して改善することを示した。 実装はhttps://github.com/Jackbrocp/IPF-RDAで公開されている。

関連論文リスト

• AugmentGest: Can Random Data Cropping Augmentation Boost Gesture Recognition Performance? [49.64902130083662]
  本稿では、幾何変換、ランダム変動、回転、ズーム、強度に基づく変換を統合する包括的データ拡張フレームワークを提案する。 提案手法は,マルチストリームe2eET,FPPRポイントクラウドベースハンドジェスチャ認識(HGR),DD-Networkの3つのモデルで評価される。
  論文  参考訳（メタデータ） (2025-06-08T16:43:05Z)
• Effective Dual-Region Augmentation for Reduced Reliance on Large Amounts of Labeled Data [1.0901840476380924]
  本稿では,大規模ラベル付きデータセットへの依存を減らすために,新しい二重領域拡張手法を提案する。 提案手法は,前景オブジェクトにランダムノイズ摂動を適用することで,対象データ変換を行う。 構造化変換によるトレーニングデータの拡大により,ドメイン間のモデル一般化が可能となる。
  論文  参考訳（メタデータ） (2025-04-17T16:42:33Z)
• AdaAugment: A Tuning-Free and Adaptive Approach to Enhance Data Augmentation [12.697608744311122]
  AdaAugmentは、ディープモデルのためのチューニング不要適応拡張手法である。 ターゲットネットワークからのリアルタイムフィードバックに基づいて、拡張のマグニチュードを適応する。 実験では、他の最先端のDAメソッドよりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-05-19T06:54:03Z)
• Distribution-Aware Data Expansion with Diffusion Models [55.979857976023695]
  本研究では,分散型拡散モデルに基づくトレーニングフリーなデータ拡張フレームワークであるDistDiffを提案する。 DistDiffは、オリジナルデータのみにトレーニングされたモデルと比較して、さまざまなデータセットの精度を一貫して向上させる。
  論文  参考訳（メタデータ） (2024-03-11T14:07:53Z)
• Local Magnification for Data and Feature Augmentation [53.04028225837681]
  LOMA(Local Magnification)と呼ばれる,実装が容易かつモデルフリーなデータ拡張手法を提案する。 LOMAは、画像の局所領域をランダムに拡大することにより、追加のトレーニングデータを生成する。 実験の結果,提案するLOMAと標準データ拡張を組み合わせることで,画像分類や物体検出の性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T02:51:59Z)
• Mitigating Data Heterogeneity in Federated Learning with Data Augmentation [26.226057709504733]
  Federated Learning(FL)は、集中型モデルのトレーニングを可能にするフレームワークである。 主な障害の1つは、データ不均一性、すなわち、各クライアントが独立に独立に分散した(非IID)データを持っていることである。 最近の証拠は、データ拡張が同等またはそれ以上のパフォーマンスを誘導できることを示している。
  論文  参考訳（メタデータ） (2022-06-20T19:47:43Z)
• EPiDA: An Easy Plug-in Data Augmentation Framework for High Performance Text Classification [34.15923302216751]
  本稿では,効率的なテキスト分類を支援するための簡易でプラグイン型のデータ拡張フレームワーク EPiDA を提案する。 EPiDAは、データ生成を制御するために、相対エントロピー(REM)と条件最小エントロピー(CEM)の2つのメカニズムを採用している。 EPiDAは効率的な分類訓練のための効率的で継続的なデータ生成をサポートする。
  論文  参考訳（メタデータ） (2022-04-24T06:53:48Z)
• Virtual Data Augmentation: A Robust and General Framework for Fine-tuning Pre-trained Models [51.46732511844122]
  強力な事前訓練型言語モデル(PLM)は、小さな摂動や意図的な攻撃によって騙されることがある。 VDA(Virtual Data Augmentation)は,PLMを高度に微調整するための一般的なフレームワークである。 本手法は, PLMの堅牢性を向上し, 敵攻撃時の性能劣化を軽減する。
  論文  参考訳（メタデータ） (2021-09-13T09:15:28Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• CoDA: Contrast-enhanced and Diversity-promoting Data Augmentation for Natural Language Understanding [67.61357003974153]
  我々はCoDAと呼ばれる新しいデータ拡張フレームワークを提案する。 CoDAは、複数の変換を有機的に統合することで、多種多様な情報付加例を合成する。 すべてのデータサンプルのグローバルな関係を捉えるために、対照的な正則化の目的を導入する。
  論文  参考訳（メタデータ） (2020-10-16T23:57:03Z)

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。