تُعدّ طرق تكبير البيانات ضرورية كاستراتيجيات تحسين لتعزيز أداء الشبكات العصبية العميقة، خاصة في مهام التعرف على الصور. في الآونة الأخيرة، أظهرت عدة دراسات أن استراتيجيات التكبير التي تُكتشف باستخدام خوارزميات البحث تفوق الاستراتيجيات المُصممة يدويًا. وتُطبّق هذه الطرق خوارزميات بحث ذات صندوق أسود على عمليات التحويل الصوري التي تحتوي على معاملات مستمرة أو منفصلة، وتتطلب وقتًا طويلاً للحصول على استراتيجيات أفضل. في هذه الورقة، نقترح نموذجًا جديدًا لاستكشاف السياسات القابلة للتفاضل في تكبير البيانات، وهو أسرع بكثير من الطرق السابقة. ونقدّم تقريبًا للGradient لعدة عمليات تحويل ذات معاملات منفصلة، إلى جانب آلية قابلة للتفاضل لاختيار العمليات. وبالنسبة لهدف التدريب، نُقلل المسافة بين توزيعات البيانات المُكبرة وتوزيع البيانات الأصلية، وهي مسافة قابلة للتفاضل. ونُظهر أن طريقةنا، "فاستر أوتوأوغمنت" (Faster AutoAugment)، تحقق عملية بحث أسرع بشكل ملحوظ مقارنة بالعمل السابق دون التضحية بالأداء.