Principled Ultrasound Data Augmentation for Classification of Standard Planes
University of Oxford（牛津大学）
具有大学习能力的深度学习模型通常过拟合医学成像数据集。这是因为由于在医疗数据采集和标记中产生的大量时间和财务成本，训练集通常相对较小。因此，数据增强通常用于扩展训练数据的可用性并增加泛化。然而，增加战略往往是在没有正当理由的情况下临时选择的。在本文中，我们提出了一个增强策略搜索方法，以提高模型分类性能的目标。我们在增强策略搜索中包括了医学图像分析中经常使用的其他变换，并评估了它们的性能。此外，我们扩展了增强策略搜索，包括非线性混合示例数据增强策略。使用这些学习的政策，我们表明，原则性的数据增强的医学图像模型训练可以导致显着改善超声标准平面检测，平均F1分数提高了7.0%，总体上超过天真的数据增强策略，在超声胎儿标准平面分类。我们发现，学习表示的超声图像更好地聚类和定义与优化的数据增强。
2021-03-14 cs.CV cs.LG
Learning data augmentation policies using augmented random search
National University of Defense Technology（国防科技大学）；Northeastern University（东北大学）
以前的数据增强尝试是手动设计的，并且增强策略是特定于磁盘集的。最近，提出了一种使用强化学习的自动数据增强方法，称为AutoAugment。AutoAugment在离散搜索空间中搜索增强策略，这可能导致次优解决方案。在本文中，我们采用增强随机搜索方法（ARS），以提高自动增强的性能。我们的主要贡献是将离散的搜索空间转化为连续的空间，这将提高搜索性能并保持子策略之间的差异。使用所提出的方法，在CIFAR-10，CIFAR-100和ImageNet上实现了最先进的精度（没有额外的数据）。我们的代码可在https://github.com/gmy2013/ARS-Aug上获得。
2018-11-12 cs.CV cs.LG
SapAugment: Learning A Sample Adaptive Policy for Data Augmentation
Apple（苹果公司）
数据增强方法通常对所有训练样本应用相同的增强（或它们的混合）。例如，若要用噪声扰动数据，则对所有样本从具有固定标准差的正态分布中采样噪声。我们假设具有高训练损失的硬样本已经提供了强训练信号来更新模型参数，并且应该用轻微或无增强来扰动。用强增强来干扰硬样本也可能使其难以学习。此外，具有低训练损失的样本应该通过更强的增强来扰动，以提供对各种条件的更强鲁棒性。为了形式化这些直觉，我们提出了一种新的方法来学习样本自适应增强策略- SapAugment。我们的策略根据数据样本的训练损失来调整增强参数。在高斯噪声的示例中，硬样本将被低方差噪声扰动，而易样本将被高方差噪声扰动。此外，该方法结合了多种增强方法到一个有条不紊的策略学习框架，避免了手工制作的增强参数的试错。我们应用我们的方法上的自动语音识别（ASR）的任务，并结合现有的和新的增强使用建议的框架。我们表现出实质性的改善，高达21%的相对减少字出错率LibriSpeech数据集，在国家的最先进的语音增强方法。
2021-02-15 cs.LG stat.ML
Smart Augmentation - Learning an Optimal Data Augmentation Strategy
National University of Ireland Galway（爱尔兰国立大学戈尔韦分校）
训练神经网络时面临的一个反复出现的问题是，通常没有足够的数据来最大化深度神经网络（DNN）的泛化能力。有许多技术可以解决这个问题，包括数据增强、丢弃和迁移学习。在本文中，我们介绍了一种称为Smart Augmentation的方法，并展示了如何使用它来提高准确性并减少目标网络上的过拟合。Smart Augmentation通过创建一个网络来学习如何在目标网络的训练过程中生成增强数据，从而减少网络损失。这使我们能够学习最小化该网络误差的增强。智能增强已经显示出通过对所有测试数据集进行显著测量来提高准确性的潜力。此外，在许多测试案例中，它显示出以显著更小的网络规模实现类似或改进的性能水平的潜力。
2017-03-24 cs.AI cs.LG stat.ML
Learning Data Augmentation Strategies for Object Detection
Google Research（谷歌研究院）
数据增强是训练深度学习模型的关键组成部分。虽然数据增强已被证明可以显着改善图像分类，但其潜力尚未被彻底研究用于目标检测。考虑到为目标检测注释图像的额外成本，数据增强对于该计算机视觉任务可能甚至更重要。在这项工作中，我们研究了数据增强对目标检测的影响。我们首先证明，从图像分类借用的数据增强操作可能有助于训练检测模型，但改进是有限的。因此，我们研究如何学习，专门的数据增强政策提高检测模型的泛化性能。重要的是，这些增强策略只影响训练，并在评估期间保持训练模型不变。COCO数据集上的实验表明，优化的数据增强策略将检测精度提高了+2.3 mAP以上，并允许单个推理模型达到50.7 mAP的最新精度。重要的是，在COCO上找到的最佳策略可以不加改变地转移到其他检测数据集和模型，以提高预测准确性。例如，COCO确定的最佳增强策略将PASCAL-VOC的强基线提高了+2.7 mAP。我们的研究结果还表明，学习增强策略优于最先进的架构正则化方法的目标检测，即使在考虑强基线。使用所学策略进行培训的代码可在https://github.com/tensorflow/tpu/tree/master/models/official/detection上在线获取
2019-06-26 cs.CV cs.LG
DDA: Dimensionality Driven Augmentation Search for Contrastive Learning in Laparoscopic Surgery
the University of Melbourne（墨尔本大学）；St Vincent’s Hospital Melbourne（墨尔本圣文森特医院）
本文提出维度驱动增强搜索方法DDA，利用深度表示局部维度作为代理目标，在对比学习中自动搜索腹腔镜手术图像的合适增强策略，并在三个分类与分割任务上显著优于现有基线。
2024-06-06 cs.CV cs.LG
What is the best data augmentation for 3D brain tumor segmentation?
Center for Medical Image Science and Visualization (CMIV)（医学图像科学与可视化中心）
训练分割网络需要大量带注释的数据集，这在医学成像中可能很难获得。尽管如此，我们认为数据增强尚未完全用于脑肿瘤分割。在这个项目中，我们在训练标准3D U-Net时应用了不同类型的数据增强（翻转，旋转，缩放，亮度调整，弹性变形），并证明增强在许多情况下显着提高了网络的性能。我们的结论是，亮度增强和弹性变形效果最好，并且与仅使用一种增强技术相比，不同增强技术的组合不会提供进一步的改进。我们的代码可在https://github.com/mdciri/3D-augmentation-techniques上获得。
2021-01-16 cs.CV cs.LG eess.IV
Adversarial Augmentation for Enhancing Classification of Mammography Images
ETH Zürich（苏黎世联邦理工学院）；University Hospital Zürich（苏黎世大学医院）
监督式深度学习依赖于有足够的训练数据可用的假设，这给它在医学成像等多个领域的应用带来了问题。在一个二进制图像分类任务（乳腺癌识别）的例子中，我们表明，预训练生成模型有意义的图像增强有助于提高所得分类器的性能。通过增加数据，即使使用相对较小的训练集，也可以提高下游分类任务的性能。我们表明，这种“对抗增强”产生有前途的结果相比，经典的图像增强的例子乳腺癌分类。
2019-02-20 cs.CV cs.LG
Improved Mixed-Example Data Augmentation
University of Auckland（奥克兰大学）
为了减少过拟合，神经网络通常用数据增强来训练，这是通过现有训练样本的标签保持变换来人工生成附加训练数据的实践。虽然这些类型的转换具有直观的意义，但最近的工作表明，即使是非标签保留的数据增强也可以令人惊讶地有效，通过对示例的线性组合来检查这种类型的数据增强。尽管这些方法有效，但人们对这些方法为什么有效知之甚少。在这项工作中，我们的目标是探索一种新的，更普遍的形式，这种类型的数据增强，以确定这种线性是否是必要的。通过考虑这种更广泛的“混合示例数据增强“，我们发现了更大的实用增强技术空间，包括改进先前最先进技术的方法。这种推广的好处超出了改进性能的承诺，揭示了许多类型的混合示例数据增强，这些混合示例数据增强与先前工作中考虑的那些完全不同，这提供了证据表明，目前关于这种方法有效性的理论是不完整的，并表明任何这样的理论必须解释一个更广泛的现象。代码可在https://github.com/ceciliaresearch/MixedExample上获得。
2019-01-19 cs.CV cs.LG
Efficient Augmentation via Data Subsampling
Carnegie Mellon University（卡内基梅隆大学）
数据增强通常用于对学习方法中的不变性进行编码。然而，这个过程通常以低效的方式执行，因为通过对训练集中的所有点应用许多变换来创建人工示例。由此导致的数据集大小爆炸可能是存储和训练成本方面的问题，以及选择和调整要应用的最佳转换集方面的问题。在这项工作中，我们证明了可以显着减少数据增强中包含的数据点的数量，同时实现与增强整个数据集相同的准确性和不变性优势。我们提出了一组基于模型影响和损失的新型子采样策略，可以实现增强集大小减少90%，同时保持标准数据增强的准确性增益。
2019-03-01 cs.LG stat.ML
Dealing with the Evil Twins: Improving Random Augmentation by Addressing Catastrophic Forgetting of Diverse Augmentations
New York University（纽约大学）
本文重新审视随机增强，发现其随机性会产生类似灾难性遗忘的冲突增强并扭曲特征，提出通过解决遗忘问题来提升其泛化效果，在多个单源域泛化基准上表现优异。
2025-06-27 cs.LG
How Data Augmentation affects Optimization for Linear Regression
Princeton University（普林斯顿大学）；University of Chicago（芝加哥大学）
虽然数据增强已迅速成为现代机器学习中优化的关键工具，但增强时间表如何影响优化并与优化超参数（如学习率）相互作用的清晰画面刚刚出现。在经典凸优化和最近的工作隐式偏差的精神，目前的工作分析了增广优化的效果在简单的凸设置的线性回归MSE损失。我们发现联合时间表的学习率和数据增强计划下，增强梯度下降可证明收敛和特征所产生的最小值。我们的研究结果适用于任意增强方案，揭示了复杂的学习率和增强之间的相互作用，即使在凸设置。我们的方法解释增广（S）GD作为一个随机优化方法的代理损失随时间变化的序列。这给出了一个统一的方法来分析学习率，批量大小，以及从加性噪声到随机投影的增强。从这个角度来看，我们的结果，这也给出了收敛速度，可以被视为Monro-Robbins型条件增广（S）GD。
2021-10-27 cs.LG math.OC stat.ML
RangeAugment: Efficient Online Augmentation with Range Learning
Apple（苹果公司）；University of British Columbia（不列颠哥伦比亚大学）
现有技术的自动增强方法（例如，AutoAugment和RandAugment）使用大量增强操作使训练数据多样化。许多增强操作的幅度范围（例如，亮度和对比度）是连续的。因此，为了使搜索在计算上易于处理，这些方法对每个操作使用固定和手动定义的幅度范围，这可能导致次优策略。为了回答关于每个增强操作的幅度范围的重要性的公开问题，我们引入了RangeAugment，它允许我们有效地学习单个以及复合增强操作的幅度范围。RangeAugment使用基于图像相似性的辅助损失作为控制增强操作幅度范围的度量。因此，RangeAugment有一个用于搜索的标量参数，即图像相似度，我们只需通过线性搜索进行优化。RangeAugment可与任何模型无缝集成，并学习特定于模型和任务的增强策略。通过在不同网络的ImageNet数据集上进行广泛的实验，我们证明了RangeAugment与最先进的自动增强方法相比具有竞争力的性能，增强操作减少了4-5倍。在语义分割、目标检测、基础模型和知识蒸馏等方面的实验结果进一步验证了RangeAugment的有效性。
2022-12-20 cs.AI cs.CV cs.LG
To augment or not to augment? Data augmentation in user identification based on motion sensors
University of Bucharest（布加勒斯特大学）
现今，移动终端用户常用的认证系统，例如密码检查、面部识别或指纹扫描，容易受到各种攻击。为了防止一些可能的攻击，可以通过考虑双因素认证方案来增强这些显式认证系统，其中第二因素是基于分析由加速度计或陀螺仪捕获的运动传感器数据的隐式认证系统。为了避免用户的任何额外负担，隐式认证系统的注册过程必须快速执行，即，从用户收集的数据样本的数量通常很小。在设计用于基于运动信号的隐式用户认证的机器学习模型的上下文中，数据增强可以发挥重要作用。在本文中，我们研究了几个数据增强技术，在寻找有用的增强方法的运动传感器数据。我们提出了一组四个研究问题，数据增强的背景下，Few-Shot用户识别的运动传感器信号的基础上。我们在基准数据集上进行实验，使用两种深度学习架构，卷积神经网络和长短期记忆网络，显示哪些以及何时数据增强方法带来准确性的提高。有趣的是，我们发现，数据增强是不是很有帮助，最有可能是因为有用的区分用户的信号模式是太敏感的转换所带来的某些数据增强技术。这一结果与人们普遍认为的数据增强有望提高机器学习模型的准确性有些矛盾。
2020-09-01 cs.CV cs.LG eess.SP
What augmentations are sensitive to hyper-parameters and why?
Knowledge Representation Lab Innopolis University（知识表示实验室 印尼奥利普斯大学）；Sorbonne Center for Artificial Intelligence - SCAI Sorbonne University（索邦人工智能中心 - SCAI 索邦大学）
本研究通过局部代理（LIME）解释和线性回归系数评估不同数据增强对模型超参数的敏感性、一致性和影响，发现某些增强对超参数高度敏感，而另一些则更稳健可靠。
2021-11-06 cs.AI cs.CV cs.LG
Data Augmentation using Generative Adversarial Networks (GANs) for GAN-based Detection of Pneumonia and COVID-19 in Chest X-ray Images
Institute of Medical Science, University of Toronto（多伦多大学医学科学研究所）；The Hospital for Sick Children（病童医院）；University Health Network（大学健康网络）；Department of Mechanical and Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系）
成功训练卷积神经网络（CNN）需要大量的数据。对于小数据集，网络的泛化能力很差。数据增强技术通过更有效地使用现有的训练数据来提高神经网络的泛化能力。然而，标准的数据增强方法产生有限的合理替代数据。生成对抗网络（GANs）已被用于生成新数据并提高CNN的性能。然而，与CNN相比，用于训练GANs的数据增强技术尚未得到充分探索。在这项工作中，我们提出了一种新的GAN架构，用于增强胸部X射线，以使用生成模型进行肺炎和COVID-19的半监督检测。我们表明，所提出的GAN可用于有效地增强数据，并提高肺炎和COVID-19胸部X射线中疾病的分类准确性。我们在两个不同的X射线数据集上将我们的增强GAN模型与深度卷积GAN和传统增强方法（旋转，缩放等）进行比较，并显示我们基于GAN的增强方法优于其他增强方法，用于训练GAN检测X射线图像中的异常。
2021-01-12 cs.CV cs.LG eess.IV
Self-paced Data Augmentation for Training Neural Networks
National Institute of Advanced Industrial Science and Technology（独立行政法人产业技术综合研究所）
数据增强广泛用于机器学习;然而，尚未建立应用数据增强的有效方法，即使它包括应仔细调整的几个因素。一个这样的因素是样本适用性，其涉及选择适合于数据增强的样本。将数据增强应用于所有训练样本的典型方法忽略了样本适合性，这可能降低分类器性能。为了解决这个问题，我们提出了自定步增强（SPA）自动和动态地选择合适的样本数据增强时，训练神经网络。所提出的方法减轻了无效的数据增强造成的泛化性能恶化。我们讨论了两个原因，建议SPA工程相对于课程学习和可取的变化，损失函数不稳定性。实验结果表明，所提出的集对分析可以提高泛化性能，特别是当训练样本数较少时。此外，所提出的SPA优于最先进的RandAugment方法。
2020-10-29 cs.LG
DNA: Dynamic Network Augmentation
University of California, San Diego（加州大学圣迭戈分校）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
在许多分类问题中，我们希望分类器对一系列非语义转换具有鲁棒性。例如，人类可以识别图片中的狗，而不管它出现的方向和姿势。大量证据表明，这种不变性可以显著提高机器学习模型的准确性和泛化能力。教导模型几何不变性的常用技术是用变换的输入来增加训练数据。然而，对于给定的分类任务，期望哪些不变性并不总是已知的。确定有效的数据增强策略可能需要领域专业知识或广泛的数据预处理。最近的努力，如AutoAugment优化了数据增强策略的参数化搜索空间，以自动化增强过程。虽然AutoAugment和类似的方法在几个常见的数据集上实现了最先进的分类精度，但它们仅限于学习一种数据增强策略。通常情况下，不同的类或特征要求不同的几何不变性。我们介绍了动态网络增强（DNA），它学习输入条件增强策略。我们模型中的增强参数是神经网络的输出，并且随着网络权重的更新而隐式学习。我们的模型允许动态增强策略，并在输入特征条件下进行几何变换的数据上表现良好。
2021-12-17 cs.LG
A Comparison of Data Augmentation Methods for Training Deep Neural Networks on Synthetic Aperture Sonar
研究合成孔径声呐数据自动目标识别中训练深度神经网络的问题，系统比较多种数据增强策略及与现代DNN架构结合的效果，发现增强能提高目标识别准确率但效果有差异。
2026-07-30 cs.LG
LADA: Look-Ahead Data Acquisition via Augmentation for Active Learning
KAIST（韩国科学技术院）
主动学习在标注数据集有限且标注成本高的情况下，有效收集数据实例用于训练深度学习模型。除了主动学习之外，数据增强也是一种有效的技术，可以扩大有限数量的标记实例。然而，在主动学习的获取过程中，数据增强所产生的虚拟实例的潜在收益尚未被考虑。展望未来，在采集过程中数据增强的效果将选择和生成为训练模型提供信息的数据实例。因此，本文提出了前瞻数据采集通过增强，或LADA，集成数据采集和数据增强。LADA在采集过程之前考虑1）待选择的未标记数据实例和2）待通过数据增强生成的虚拟数据实例。此外，为了提高虚拟数据实例的信息量，旱地退化评估优化了数据增强政策，以最大限度地提高预测性获取分数，从而提出了InfoMixup和InfoMixing。由于LADA是一个可推广的框架，我们尝试了各种收购和增强方法的组合。旱地退化评估的性能表明，与最近独立应用于基准数据集的扩充和获取基线相比，有了显著改善。
2020-11-17 cs.AI cs.LG
Data Augmentation for Deep Graph Learning: A Survey
Arizona State University（亚利桑那州立大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
图神经网络是一种强大的深度学习工具，用于对图结构数据进行建模，在许多图学习任务中表现出卓越的性能。为了解决深度图学习中的数据噪声和数据稀缺问题，最近加强了对图数据增强的研究。然而，传统的数据增强方法很难处理定义在非欧空间的多模态图结构数据。在本调查中，我们正式阐述了图数据增强的问题，并进一步回顾了代表性技术及其在不同深度图学习问题中的应用。具体来说，我们首先提出了一个分类图数据增强技术，然后提供了一个结构化的审查分类的基础上增强的信息模态的相关工作。此外，我们总结了图数据增强在以数据为中心的深度图学习中的两个代表性问题中的应用：（1）可靠图学习，其重点是通过图数据增强来增强输入图的效用以及模型容量;以及（2）低资源图学习，其目标是通过图数据增强来扩大标记的训练数据规模。对于每个问题，我们还提供了一个层次化的问题分类，并回顾了现有的文献相关的图形数据增强。最后，我们指出了有前途的研究方向和未来的研究面临的挑战。
2022-11-21 cs.LG
Fast Convergence through Distributed Augmentation for Class-Imbalanced Federated Learning
Amar Nath and Shashi Khosla School of Information Technology, Indian Institute of Technology Delhi（印度理工学院德里分校 Amar Nath and Shashi Khosla 信息技术学院）；Department of Electrical Engineering, Indian Institute of Technology Delhi（印度理工学院德里分校电气工程系）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
针对联邦学习类不平衡问题，提出DAFL分布式增强框架，通过理论建立增强与收敛关系并联合优化增强量和训练时间，提升少数类F1分数并显著减少训练时间。
2026-10-06 cs.LG
Virtual Augmentation Supported Contrastive Learning of Sentence Representations
AWS AI Labs（AWS人工智能实验室）
尽管取得了巨大的成功，对比表示学习依赖于使用特定领域知识精心设计的数据增强。这种挑战在自然语言处理中被放大，其中由于自然语言的离散性质，不存在用于数据增强的一般规则。我们提出了一个虚拟增强支持的对比学习的句子表示（VaSCL）来应对这一挑战。从数据增强本质上构建每个训练实例的邻域的解释出发，我们反过来利用邻域来生成有效的数据增强。利用对比学习的大批量训练，我们通过表示空间中的K-最近邻来近似实例的邻域。然后，我们定义了一个关于这个邻域的实例判别任务，并以对抗训练的方式生成虚拟增强。我们在广泛的下游任务上访问VaSCL的性能，并为无监督句子表示学习设置了一个新的最先进的技术。
2022-02-25 cs.CL cs.LG
Data Augmentation for Deep Learning-based Radio Modulation Classification
Zhejiang University of Technology（浙江工业大学）；University of Macau（澳门大学）
深度学习最近已被应用于自动分类接收到的无线电信号的调制类别，而无需手动经验。然而，训练深度学习模型需要大量的数据。训练数据不足会导致严重的过拟合问题，降低分类精度。为了处理小数据集，数据增强已被广泛用于图像处理中，以扩展数据集并提高深度学习模型的鲁棒性。然而，在无线通信领域，不同的数据增强方法对无线电调制分类的影响尚未被研究。在本文中，我们通过最先进的基于深度学习的调制分类器评估不同的数据增强方法。根据调制信号的特点，考虑了三种增强方法，旋转、翻转和高斯噪声，可以应用于深度学习算法的训练阶段和推理阶段。数值实验结果表明，这三种增强方法都能提高分类精度。其中，旋转增强方法优于翻转方法，这两种方法都比高斯噪声方法获得更高的分类精度。仅给定12.5%的训练数据集，联合旋转和翻转增强策略可以实现比初始100%训练数据集而没有增强的基线更高的分类精度。此外，通过数据增强，可以使用更短的无线电样本成功地对无线电调制类别进行分类，从而简化深度学习模型并缩短分类响应时间。
2019-12-10 cs.LG eess.SP
Improving Contrastive Learning with Model Augmentation
Salesforce Research（赛富时研究院）；Arizona State University（亚利桑那州立大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
序列推荐的目的是预测用户行为中的下一个项目，可以通过描述序列中项目之间的关系来解决。针对序列中数据稀疏性和噪声问题，提出了一种新的自监督学习（SSL）方法，利用序列正反两个视角之间的对比学习来提高学习性能。然而，现有的方法都是从数据的角度采用增强来构建视图，而我们认为：1）最佳的数据增强方法很难设计，2）数据增强方法破坏序列相关性，3）数据增强未能纳入全面的自监督信号。因此，我们调查的可能性模型增强构建视图对。我们提出了三个层次的模型增强方法：神经元掩蔽，层下降，和编码器补充。这项工作开辟了一个新的方向，在构建对比SSL的意见。实验验证了模型增强方法在SSL序列推荐中的有效性。代码为\footnote{\url{https://github.com/salesforce/SRMA}}。
2022-03-25 cs.AI cs.IR cs.LG
Let Multimodal Embedders Learn When to Augment Query via Adaptive Query Augmentation
NC AI（NC人工智能）
提出自适应多模态嵌入器 M-Solomon，通过学习按需生成 /augment 或 /embed 标记来决定查询增强时机，在大幅提升性能的同时显著降低了嵌入延迟。
2025-11-04 cs.AI cs.CL cs.IR
G-Augment: Searching for the Meta-Structure of Data Augmentation Policies for ASR
Google（谷歌）
数据增强是一种普遍存在的技术，用于为自动语音识别（ASR）训练提供鲁棒性。然而，即使ASR培训过程已经自动化，并且更加“端到端”，数据增强策略（使用什么增强功能以及如何应用它们）仍然是手工制作的。我们提出了图形增强，一种技术来定义的增强空间作为有向无环图（DAG）和搜索在这个空间，以优化增强策略本身。我们表明，给定相同的计算预算，G-Augment产生的政策能够比SpecAugment政策在CHiME-6和AMI上的微调任务上通过随机搜索获得更好的性能。G-Augment还能够在CHiME-6评估集上建立新的最先进的ASR性能（30.7% WER）。我们进一步证明，与随机搜索的SpecAugment策略相比，G-Augment策略在热启动到冷启动训练和模型大小方面表现出更好的传输特性。
2022-10-24 cs.CL cs.LG cs.SD
