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
4.2 رگرسیون غیرخطی مسکن
ما نتایج بخش قبل را به داده های مسکن کالیفرنیا و بوستون گسترش می دهیم و ADA را با C-Mixup مقایسه می کنیم. [49]. ما همان آزمایش ها را روی سه مجموعه داده رگرسیون مختلف تکرار می کنیم. نتایج در ضمیمه B.2 ارائه شده است و همچنین برتری ADA را نسبت به C-Mixup برای تقویت داده ها در تنظیمات آزمایشی پیاده سازی شده نشان می دهد.
داده ها: ما از …