论人工数据修改的效应
机器学习
2022-07-07 v2
摘要
数据失真常见于视觉模型的训练（如MixUp与CutMix等方法）和评估（如形状-纹理偏置与鲁棒性）中。这种数据修改会引入人工信息。通常假定由此产生的伪影对训练有害，而在分析模型时可忽略。我们研究这些假设并得出结论：某些情况下它们毫无根据并导致错误结果。具体而言，我们表明当前的形状偏置识别方法与遮挡鲁棒性度量是偏倚的，并为后者提出更公平的替代方案。随后，通过一系列实验，我们试图纠正并强化学界对增强如何影响视觉模型学习的认知。基于我们的实证结果，我们认为伪影的影响必须被理解并利用，而非消除。
引用
@article{arxiv.2110.13968,
title = {On the Effects of Artificial Data Modification},
author = {Antonia Marcu and Adam Prügel-Bennett},
journal= {arXiv preprint arXiv:2110.13968},
year = {2022}
}