流形上的增强：基于 UMAP 的 Mixup 正则化
机器学习
2024-01-23 v2
摘要
数据增强技术在提升深度学习模型性能方面发挥着重要作用。尽管其在计算机视觉任务中已被证明有益，但它们在其他领域的应用仍然有限。本文提出了一种 Mixup 正则化方案，称为 UMAP Mixup，旨在为深度学习预测模型进行“流形上”的自动数据增强。该方法利用一种称为统一流形近似与投影的降维技术，确保 Mixup 操作生成的合成样本位于特征和标签的数据流形上。在多种回归任务上的评估表明，UMAP Mixup 与其他 Mixup 变体相比具有竞争力或表现更优，展现了其作为提升深度学习模型泛化性能有效工具的潜力。
引用
@article{arxiv.2312.13141,
title = {Augment on Manifold: Mixup Regularization with UMAP},
author = {Yousef El-Laham and Elizabeth Fons and Dillon Daudert and Svitlana Vyetrenko},
journal= {arXiv preprint arXiv:2312.13141},
year = {2024}
}
备注
accepted paper to be published in the proceedings of ICASSP 2024