نویسندگان:
(1) نورا اشنایدر، گروه علوم کامپیوتر، ETH زوریخ، زوریخ، سوئیس ([email protected])
(2) شیرین گشتاسب پور، گروه علوم کامپیوتر، ETH زوریخ، زوریخ، سوئیس و مرکز علوم داده سوئیس، زوریخ، سوئیس ([email protected])
(3) فرناندو پرز-کروز، گروه علوم کامپیوتر، ETH زوریخ، زوریخ، سوئیس و مرکز علوم داده سوئیس، زوریخ، سوئیس ([email protected]).
جدول پیوندها
چکیده و 1 مقدمه
2 پس زمینه
2.1 افزایش داده ها
2.2 رگرسیون لنگر
3 تقویت داده لنگر
3.1 مقایسه با C-Mixup و 3.2 حفظ ساختار داده غیرخطی
3.3 الگوریتم
4 آزمایش و 4.1 داده های مصنوعی خطی
4.2 رگرسیون غیرخطی مسکن
4.3 تعمیم در توزیع
4.4 استحکام خارج از توزیع
5 نتیجه گیری، تأثیر گسترده تر، و مراجع
اطلاعات اضافی برای تقویت داده های لنگر
B آزمایش ها
B آزمایش ها
B.1 داده های مصنوعی خطی
در این بخش، نتایج دقیق‌تری از آزمایش‌ها روی داده‌های خطی مصنوعی ارائه می‌کنیم (بخش 4.1). ابتدا، شکل 9 مقایسه استفاده از 10 به جای 100 افزایش اضافی در هر نمونه اصلی را با استفاده از مدل رگرسیون ریج نشان می دهد. با استفاده از 100 به جای 10 افزایش برای همه روش ها، عملکرد افزایش می یابد، زیرا در نتیجه …