초록
신경망 훈련에서 데이터 증강을 활용하는 주요 과제는 후보 작업의 큰 탐색 공간에서 효과적인 증강 정책을 선택하는 것입니다. 적절히 선택된 증강 정책은 일반화 성능에 크게 기여할 수 있지만, AutoAugment와 같은 최신 접근 방식은 일반 사용자에게 계산적으로 실행이 불가능합니다. 본 논문에서는 고정된 증강 정책 대신 비정상적인 증강 정책 일정을 생성하는 새로운 데이터 증강 알고리즘인 Population Based Augmentation (PBA)를 소개합니다. 우리는 PBA가 CIFAR-10, CIFAR-100, 그리고 SVHN에서 AutoAugment와 동등한 성능을 세 가지 계산 복잡도 차원으로 줄여서 달성할 수 있음을 보입니다. CIFAR-10에서는 평균 테스트 오류율 1.46%를 달성하여 현재 최신 기술보다 약간 개선되었습니다. PBA의 코드는 오픈 소스이며 https://github.com/arcelien/pba에서 이용 가능합니다.