要約
ニューラルネットワークの学習にデータ拡張を活用する際の主要な課題は、多数の候補操作から効果的な拡張ポリシーを選択することである。適切に選択された拡張ポリシーは、大幅な汎化性能の向上につながる可能性があるが、AutoAugmentなどの最先端アプローチは通常のユーザーにとって計算上実行不可能である。本論文では、固定された拡張ポリシーではなく非定常な拡張ポリシースケジュールを生成する新しいデータ拡張アルゴリズム、Population Based Augmentation（PBA）を提案する。我々はCIFAR-10、CIFAR-100、SVHNにおいて、全体的な計算量を3桁少ない条件下でAutoAugmentと同等の性能を達成できることを示す。CIFAR-10では平均テスト誤差1.46%を達成し、これは現時点での最先端技術よりも若干改善している。PBAのコードはオープンソースであり、https://github.com/arcelien/pba で利用可能である。