从鲁棒性视角理解数据增强
计算机视觉与模式识别
2023-11-23 v1 人工智能
摘要
在视觉识别领域，数据增强是一种提升模型鲁棒性的关键技术。然而，现有大量方法严重依赖启发式基础，导致其内在机制模糊不清。本文从理论与实证两方面探讨该现象。理论上，我们将数据增强的讨论置于博弈论的框架之中。进一步，我们的实证评估剖析了典型数据增强策略的复杂机制，揭示这些技术主要激发中高阶博弈交互。除基础探索外，我们的实验跨越多个数据集与多种增强技术，印证了发现的普适性。鉴于鲁棒性指标繁多且关联复杂，我们提出一种精简代理指标。该代理不仅简化鲁棒性评估，还提供宝贵洞见，阐明模型博弈交互的内在动态及其与系统整体鲁棒性的关系。这些见解为重新评估视觉识别任务中的模型安全性与鲁棒性提供了新视角。
引用
@article{arxiv.2311.12800,
title = {Understanding Data Augmentation from a Robustness Perspective},
author = {Zhendong Liu and Jie Zhang and Qiangqiang He and Chongjun Wang},
journal= {arXiv preprint arXiv:2311.12800},
year = {2023}
}
备注
Not published yet. arXiv admin note: text overlap with arXiv:2212.04059