AdaAugment：一种无需调参且自适应的数据增强方法

数据增强（DA）广泛用于提高深度模型的泛化性能。然而，大多数现有 DA 方法在整个训练过程中采用固定或随机的增强幅度。虽然这促进了数据多样性，但也不可避免地引入了增强数据的控制范围内的变异性，这可能导致与目标模型不断演变的训练状态之间的错位。理论和实证发现表明，这种错位增加了欠拟合和过拟合的风险。为解决这些限制，我们提出了 AdaAugment，这是一种创新且无需调参的自适应增强方法，利用强化学习动态且自适应地调整基于目标网络实时反馈的单个训练样本的增强幅度。具体而言，AdaAugment 包含一个由政策网络和目标网络组成的双模型架构，这两个网络联合优化，以有效地根据模型的训练进度自适应调整增强幅度。政策网络优化增强数据中的变异性，而目标网络利用自适应增强的样本进行训练。这两个网络联合优化并相互强化。广泛的实验在基准数据集和深度架构上表明，AdaAugment 在有效性上 consistently 超过其他最先进的 DA 方法，同时保持了显著的效率。代码已公开于 https://github.com/Jackbrocp/AdaAugment。