التحدي الرئيسي في الاستفادة من زيادة البيانات لتدريب الشبكات العصبية هو اختيار سياسة زيادة فعالة من مساحة بحث كبيرة للمعاملات المرشحة. يمكن أن تؤدي السياسات المختارة بدقة إلى تحسينات كبيرة في التعميم؛ ومع ذلك، فإن الأساليب المتقدمة مثل AutoAugment غير قابلة للتنفيذ حسابياً للمستخدم العادي. في هذا البحث، نقدم خوارزمية جديدة لزيادة البيانات، وهي Population Based Augmentation (PBA)، التي تولد جداول زمنية لسياسات زيادة غير ثابتة بدلاً من سياسة زيادة ثابتة. نظهر أن PBA يمكنها تحقيق أداء يعادل أداء AutoAugment على مجموعات بيانات CIFAR-10 وCIFAR-100 وSVHN، مع تقليل الحوسبة الكلية بمقدار ثلاث درجات من الحجم. على مجموعة بيانات CIFAR-10، حققنا خطأ اختبار متوسط قدره 1.46%، وهو تحسن طفيف على الوضع الحالي المتقدم. رمز PBA متاح كمصدر مفتوح ويمكن الوصول إليه عبر الرابط: https://github.com/arcelien/pba.