اثر سوگیری کلاس خاص ناشی از افزایش داده تحت تأثیر داده، منظم‌سازی است.

جدول پیوندها

2 اثر سوگیری کلاس خاص ناشی از افزایش داده ها تحت تأثیر داده ها، منظم سازی و معماری است.

این بخش، تجزیه و تحلیل داده‌محور و مدل‌محور مطالعه ما از پدیده‌هایی را که در ابتدا در (بالستریرو، بوتو، و لکان 2022) مشاهده شد، توضیح می‌دهد. ابتدا، ما یک چارچوب عملی برای تکرار چنین آزمایش‌هایی در بخش 2.1 ایجاد می‌کنیم. به دنبال این، ما از یک مدل ResNet50 استفاده می کنیم که از ابتدا با برش تصادفی و تصادفی افقی DA آموزش داده شده است تا تجزیه و تحلیل داده محوری بایاس کلاس خاص ناشی از DA را در سه مجموعه داده (Fashion-MNIST، CIFAR-10 و CIFAR-100 ارائه کنیم. ) در بخش 2.2. سپس در بخش 2.3 یک گام به عقب برمی‌داریم تا عوارض جانبی بالقوه شامل افزایش تصادفی افقی را ارزیابی کنیم، همانطور که در مطالعه اصلی انجام شد. در نهایت، با نشان دادن اینکه چگونه معماری‌های بینایی کامپیوتری متناوب با پدیده‌ای که در بخش‌های قبلی نشان داده شد، تعامل دارند، نتیجه‌گیری می‌کنیم. این یافته‌ها کلیدی هستند زیرا درک ما را از مشکلات احتمالی معرفی DA به تعمیق می‌بخشند.