旋转的海星与反射的狗：一种学习数据增强分布的类条件方法
机器学习
2021-06-09 v1
摘要
对无意义变换建立不变性，对于构建高效且可泛化的机器学习模型至关重要。在实践中，学习不变性最常见的方式是通过数据增强。近来，人们有兴趣开发从训练数据自身学习增强变换分布的方法。尽管此类方法因对数据具有响应性而有益，但它们忽略了以下事实：在许多情况下，模型需要保持不变的变换范围取决于输入所属的特定类别。例如，若模型需预测图像中是否含有海星或狗，我们可能希望在训练时对海星图像施加随机旋转（因其无偏好朝向），但不希望对狗的图像这样做。本工作中，我们引入一种可学习类条件增强变换分布的方法。我们给出了若干示例，表明我们的方法能根据类别学习不同的无意义变换，并进一步展示了如何将我们的方法用作探究潜在复杂数据集中内在对称性的工具。
引用
@article{arxiv.2106.04009,
title = {Rotating spiders and reflecting dogs: a class conditional approach to learning data augmentation distributions},
author = {Scott Mahan and Henry Kvinge and Tim Doster},
journal= {arXiv preprint arXiv:2106.04009},
year = {2021}
}
备注
10 pages, 6 figures, submitted to NeurIPS 2021