データ拡張は、深層学習モデルの汎化能力を向上させるために不可欠な技術です。最近、AutoAugmentというアルゴリズムが提案され、データセットから自動的に拡張ポリシーを探し出すことで、多くの画像認識タスクにおいて性能を大幅に向上させています。しかし、その探索方法は比較的小規模なデータセットであっても数千時間のGPU時間を必要とします。本論文では、密度マッチングに基づくより効率的な探索戦略を用いて有効な拡張ポリシーを見つけるアルゴリズムFast AutoAugmentを提案します。AutoAugmentと比較して、提案されたアルゴリズムは探索時間を数桁短縮しながら、CIFAR-10、CIFAR-100、SVHN、およびImageNetなどの様々なモデルやデータセットで同等の性能を達成しています。