伪非线性数据增强：基于受约束能量最小化的视角
机器学习
2026-01-28 v2
摘要
我们提出了一种基于能量基建模和信息几何原理的通用数据模态的数据增强方法。与大多数现有基于学习的增强方法不同，后者依赖于生成模型学习隐含表示，本文提出的框架 enables an intuitive construction of a geometrically aware latent space that represents the structure of the data itself, supporting efficient and explicit encoding and decoding procedures. 我们随后展示并讨论了如何设计潜在空间以控制所提出算法的增强。实验结果表明，本文的数据增强方法在下游任务中与其他基线方法相比具有竞争性能，同时提供了当前文献中所缺乏的细粒度可控性。
引用
@article{arxiv.2410.00718,
title = {Pseudo-Nonlinear Data Augmentation: A Constrained Energy Minimization Viewpoint},
author = {Pingbang Hu and Mahito Sugiyama},
journal= {arXiv preprint arXiv:2410.00718},
year = {2026}
}
备注
Accepted at the 14th International Conference on Learning Representations (ICLR 2026)