بينما تؤدي الطرق الحديثة الآلية لتعزيز البيانات إلى نتائج تُعدّ من أفضل النتائج المُحققة حاليًا، فإن مساحات التصميم والاستراتيجيات المستمدة من تعزيز البيانات لا تزال تتضمن تحيزات بشرية قوية. في هذا العمل، بدلًا من تثبيت مجموعة من التحويلات الافتراضية المختارة يدويًا إلى جانب التحويلات التي يتم البحث عنها، نقترح نهجًا كليًا آليًا لبحث تعزيز البيانات يُسمى Deep AutoAugment (DeepAA). يبني DeepAA تدريجيًا نموذجًا متعدد الطبقات لتعزيز البيانات من الصفر من خلال تجميع طبقات التحويل واحدة تلو الأخرى حتى الوصول إلى التقارب. بالنسبة لكل طبقة تحويل، يتم تحسين السياسة لتعظيم التشابه الجُسّي بين متجهات التدرج للبيانات الأصلية والمحوّلة في الاتجاهات ذات التباين المنخفض. تُظهر تجاربنا أننا حتى دون استخدام تحويلات افتراضية، يمكننا تعلُّم سياسة تحويل تحقق أداءً قويًا مُعادلًا لأداء الطرق السابقة. كما تُظهر الدراسات المُفصّلة المُتعددة أن التوافق المُنظَّم للمتجهات التدرجية يُعدّ طريقة فعّالة لبحث سياسات تعزيز البيانات. يمكن الوصول إلى الكود الخاص بنا عبر: https://github.com/MSU-MLSys-Lab/DeepAA.