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
2.1 افزایش داده ها
بسیاری از روش‌های مختلف افزایش داده‌ها در سال‌های اخیر با کاربردهای متعددی در ذهن ارائه شده‌اند. با این حال، بیشتر تقویت‌هایی که در اینجا ذکر می‌کنیم، از تبدیل‌های طراحی شده توسط انسان بر اساس دانش دامنه استفاده می‌کنند که متغیر هدف را ثابت می‌گذارد. به عنوان مثال، Cutout [10] یک تکنیک تقویت خاص تصویر است که با موفقیت برای آموزش مدل ها در …