تعتبر زيادة البيانات تقنية أساسية لتحسين قدرة نماذج التعلم العميق على التعميم. مؤخرًا، تم اقتراح AutoAugment كخوارزمية للبحث تلقائيًا عن سياسات زيادة البيانات من مجموعة بيانات، وقد أحدثت تحسينات كبيرة في أداء العديد من مهام التعرف على الصور. ومع ذلك، يتطلب طريقة البحث الخاصة بها آلاف ساعات معالجة الوحدات الرسومية (GPU) حتى لمجموعات بيانات نسبية صغيرة. في هذا البحث، نقترح خوارزمية تُسمى Fast AutoAugment والتي تجد سياسات زيادة فعالة عبر استراتيجية بحث أكثر كفاءة تعتمد على مطابقة الكثافة. بالمقارنة مع AutoAugment، فإن الخوارزمية المقترحة تسريع وقت البحث بمقدار عدة مرات بينما تحقق أداءً مشابهًا في مهام التعرف على الصور باستخدام نماذج وأنواع مختلفة من مجموعات البيانات بما في ذلك CIFAR-10، CIFAR-100، SVHN، وImageNet.