基于变分自编码器与流形采样的数据增强
机器学习
2021-09-29 v3 机器学习
摘要
我们提出了一种在具有挑战性的小样本量设定下从变分自编码器（Variational Autoencoder）中采样的新高效方法。该方法特别适合在此低数据情形下执行数据增强，并在多个标准与真实数据集上得到验证。具体而言，该方案可大幅改善 OASIS 数据库上的分类结果：仅用原始数据训练的分类器平衡准确率为 80.7%，而仅用我们方法生成的合成数据训练时跃升至 88.6%。在 3 个标准数据集及其他分类器上也观察到此类结果。代码见 https://github.com/clementchadebec/Data_Augmentation_with_VAE-DALI。
引用
@article{arxiv.2103.13751,
title = {Data Augmentation with Variational Autoencoders and Manifold Sampling},
author = {Clément Chadebec and Stéphanie Allassonnière},
journal= {arXiv preprint arXiv:2103.13751},
year = {2021}
}