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
5 نتیجه گیری
ما Anchor Data Augmentation (ADA) را معرفی کردیم، که یک توسعه رگرسیون Anchor به منظور افزایش داده است. AR یک رویکرد علی جدید برای افزایش استحکام در مشکلات رگرسیون است. در ADA، ما به طور سیستماتیک چندین نمونه را بر اساس یک معیار شباهت جمعی، که از طریق خوشه بندی تعیین می شود، مخلوط می کنیم. نمونه های افزوده شده اصلاحاتی از نمونه اصلی هستند …