Bevölkerungsbasierte Erweiterung: Effizientes Lernen von Erweiterungspolitik-Plänen

Eine wesentliche Herausforderung bei der Nutzung von Datenverstärkung für das Training neuronaler Netze besteht darin, eine effektive Verstärkungsstrategie aus einem großen Suchraum potenzieller Operationen auszuwählen. Eine sorgfältig gewählte Verstärkungsstrategie kann zu erheblichen Verbesserungen der Generalisierungsfähigkeit führen; jedoch sind state-of-the-art Ansätze wie AutoAugment für den durchschnittlichen Benutzer aufgrund ihrer hohen Rechenanforderungen nicht praktikabel. In dieser Arbeit stellen wir einen neuen Algorithmus zur Datenverstärkung vor, die Population Based Augmentation (PBA), der nicht-stationäre Verstärkungsstrategien generiert, anstatt eine feste Verstärkungsstrategie. Wir zeigen, dass PBA die Leistung von AutoAugment auf CIFAR-10, CIFAR-100 und SVHN mit drei Größenordnungen weniger Rechenleistung erreichen kann. Auf CIFAR-10 erreichen wir einen mittleren Testfehler von 1,46 %, was eine leichte Verbesserung gegenüber dem aktuellen Stand der Technik darstellt. Der Code für PBA ist Open Source und steht unter https://github.com/arcelien/pba zur Verfügung.