SeqAug：作为模态无关增强方法的序列特征重采样
计算与语言
2023-05-04 v1 机器学习
摘要
数据增强是一种在各种机器学习应用中提升性能的常用技术。我们提出 SeqAug，一种面向提取特征序列、模态无关的增强方法。SeqAug 的核心思想是通过从底层特征分布中重采样来扩充序列。重采样通过随机选取特征维度并沿时间轴对其进行置换来实现。在 CMU-MOSEI 上的实验验证了 SeqAug 是模态无关的；它可以成功应用于单一模态或多模态。我们进一步验证了它与循环架构和 transformer 架构的兼容性，并展示了与最先进（state-of-the-art）结果相当的性能。
引用
@article{arxiv.2305.01954,
title = {SeqAug: Sequential Feature Resampling as a modality agnostic augmentation method},
author = {Efthymios Georgiou and Alexandros Potamianos},
journal= {arXiv preprint arXiv:2305.01954},
year = {2023}
}
备注
5 pages