تقویت داده های لنگر (ADA): یک روش دامنه-آگنوستیک برای تقویت مدل های رگرسیون

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]).

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

3 تقویت داده لنگر

در این بخش، Anchor Data Augmentation (ADA) را معرفی می کنیم، یک روش افزایش داده مستقل از دامنه که از AR الهام گرفته شده است. ADA به دانش قبلی در مورد تغییر ناپذیری داده ها یا تبدیل های مهندسی دستی نیاز ندارد. برخلاف روش‌های موجود برای افزایش داده‌های آگنوستیک [10, 45, 46]، ما نیازی به آموزش مولد گران قیمت نداریم…

Source link