Fourier-basis Functions to Bridge Augmentation Gap: Rethinking Frequency Augmentation in Image Classification
University of Twente（特文特大学）
提出辅助傅里叶基增强（AFA），通过频域加性噪声补充视觉增强，提升模型对常见损坏、OOD泛化及扰动一致性的鲁棒性，且不影响标准性能。
2024-03-05 cs.CV cs.LG
Entity Aware Syntax Tree Based Data Augmentation for Natural Language Understanding
Nanyang Technological University（南洋理工大学）；North Carolina State University（北卡罗来纳州立大学）
理解用户的意图并从其句子中识别语义实体，也称为自然语言理解（NLU），是许多自然语言处理任务的上游任务。主要挑战之一是收集足够数量的带注释的数据来训练模型。现有的文本增强研究没有充分考虑实体，因此在自然语言理解任务中表现不佳。为了解决这个问题，我们提出了一种新的NLP数据增强技术，实体感知数据增强（EADA），它采用了一个树结构，实体感知树（EAST），表示句子结合实体上的注意。我们的EADA技术从少量的注释数据中自动构建EAST，然后生成大量的训练实例用于意图检测和槽填充。在4个数据集上的实验结果表明，该方法在准确率和泛化能力方面均明显优于现有的数据增强方法.
2022-09-06 cs.AI cs.CL cs.LG
Deflating Dataset Bias Using Synthetic Data Augmentation
Ford Greenfield Labs（福特格林菲尔德实验室）
自大规模对象识别数据集的发布和可扩展计算硬件的引入以来，深度学习在视觉应用中的增长前所未有。用于自动驾驶车辆（AV）的大多数视觉任务的最先进方法依赖于监督学习，并且通常无法推广到域偏移和/或离群值。因此，数据集多样性是成功部署的关键。无论数据集的大小有多大，捕获与特定任务环境因素有关的分布的长尾是不切实际的。本文的目标是研究使用有针对性的合成数据增强-结合游戏引擎模拟和sim 2 real风格传输技术的优势-填补视觉任务的真实数据集的空白。对自动驾驶汽车实际使用的三种不同计算机视觉任务-停车位检测，车道检测和单目深度估计-的实证研究一致表明，与仅对真实数据进行训练相比，在训练集大小相同的情况下，在训练组合中使用合成数据可以显着提高跨数据集的泛化性能。
2020-04-28 cs.CV cs.LG eess.IV
Maximizing Audio Event Detection Model Performance on Small Datasets Through Knowledge Transfer, Data Augmentation, And Pretraining: An Ablation Study
Microsoft（微软）
Xception模型通过ImageNet权重的知识转移、AudioSet上的预训练和动态数据增强管道，在ESC-50数据集上达到最先进的（SOTA）音频事件检测精度。本文提出了一种消融研究，分析哪些组件有助于提高性能和训练时间。一个较小的Xception模型也提出了接近SOTA的性能，几乎三分之一的参数。
2022-02-07 cs.LG cs.SD eess.AS
Learning More with Less: Conditional PGGAN-based Data Augmentation for Brain Metastases Detection Using Highly-Rough Annotation on MR Images
National Institute of Informatics（国立信息学研究所）；National Center for Global Health and Medicine（国立国际医疗研究中心）；University of Cambridge（剑桥大学）；The University of Tokyo（东京大学）
准确的计算机辅助诊断，与适当的数据争论相关联，可以减轻在临床环境中忽视诊断的风险。为此，作为一种数据增强（DA）技术，生成对抗网络（GANs）可以合成额外的训练数据来处理从各种扫描仪收集的小/碎片医学成像数据集;这些图像是真实的，但与原始图像完全不同，填补了真实图像分布中的数据缺失。然而，考虑到专家医师昂贵的注释成本，我们不能轻易地使用它们来定位疾病区域。因此，本文提出了GANs的条件渐进生长（CPGGAN），将高度粗糙的边界框条件递增地并入PGGAN中，以将脑转移瘤放置在256 X 256磁共振（MR）图像上的期望位置/尺寸处，用于基于卷积神经网络的肿瘤检测;这是第一个使用自动限界框注释的基于GAN的医学DA，提高了训练鲁棒性。结果表明，基于CPGGAN的DA可以提高10%的诊断灵敏度，并具有临床上可接受的额外假阳性。令人惊讶的是，使用额外的正常脑MR图像进行CPGGAN训练所实现的进一步的肿瘤真实性对检测性能没有贡献，而即使是三位医生也无法在视觉图灵测试中准确地将它们与真实的肿瘤区分开来。
2019-08-22 cs.CV cs.LG
Unsupervised Panoptic Interpretation of Latent Spaces in GANs Using Space-Filling Vector Quantization
Aalto University（阿尔托大学）
本文提出空间填充向量量化（SFVQ）方法，以无监督方式建模并解释 GAN 潜在空间，在 StyleGAN2 和 BigGAN 上验证其可识别生成因素、发现可解释变换方向并支持可控数据增强。
2025-07-02 cs.AI cs.CV cs.LG
Open-set Face Recognition with Neural Ensemble, Maximal Entropy Loss and Feature Augmentation
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；Universität Zürich（苏黎世大学）
针对开集人脸识别中需排除未注册无关人脸的难题，提出结合神经集成、间隔损失与混合特征增强的方法，在LFW和IJB-C数据集上提升了闭集与开集识别率。
2023-08-23 cs.AI cs.CV cs.LG
LEKA:LLM-Enhanced Knowledge Augmentation
Portland State University（波特兰州立大学）；University of Montreal（蒙特利尔大学）；University of Kansas（堪萨斯大学）；Arizona State University（亚利桑那州立大学）
LEKA通过主动检索合适知识源，提升跨领域知识转移效率，减少计算成本并优化迁移学习效果。
2026-01-09 cs.LG
Data augmentation and refinement for recommender system: A semi-supervised approach using maximum margin matrix factorization
National Institute of Technology, Warangal（瓦朗加尔国家理工学院）；University of Delhi（德里大学）；Mahindra University（马恒达大学）
针对协同过滤推荐系统受数据稀疏性限制的问题，提出基于自训练的半监督方法，利用最大间隔矩阵分解迭代进行高置信度评分增强与低置信度条目精炼，提升了基线算法性能。
2023-09-30 cs.IR cs.LG
Automatic Data Augmentation by Learning the Deterministic Policy
为了产生足够和多样化的训练样本，数据增强已被证明在训练深度模型方面的有效性。考虑到最佳增强的标准很难定义，我们在本文中提出了一种新的基于学习的增强方法，称为DeepAugNet，它将最终增强的数据表示为几个顺序增强的子集的集合。具体而言，通过使用深度强化学习学习确定性增强策略，要求当前增强子集与上一次增强子集相比最大化性能改进。通过引入统一的优化目标，DeepAugNet打算以端到端的训练方式将数据增强和深度模型训练结合起来，通过同时训练决斗深度Q-学习算法和代理深度模型的混合架构来实现。我们在各种基准数据集上广泛评估了我们提出的DeepAugNet，包括Fashion MNIST，CUB，CIFAR-100和WebCaricature。与目前的最先进的，我们的方法可以实现一个显着的改善，在小规模的数据集，并在大规模数据集的性能相当。代码将很快可用。
2019-10-22 cs.CV cs.LG
Continuous max-flow augmentation of self-supervised few-shot learning on SPECT left ventricles
Eötvös Loránd University（厄特沃什·罗兰大学）；Semmelweis University（塞麦尔维斯大学）
本文提出结合连续最大流与先验形状信息增强3D U-Net自监督学习，以少量低质量标签实现SPECT左心室心肌自动分割，性能较SOTA提升5-10%。
2024-05-09 cs.CV cs.LG eess.IV
Not Far Away, Not So Close: Sample Efficient Nearest Neighbour Data Augmentation via MiniMax
University of Alberta（阿尔伯塔大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
在自然语言处理（NLP）中，寻找能够产生高质量人类可解释示例的数据增强技术一直是一项挑战。最近，利用kNN，从大型未标记句子库中检索增强的示例，朝着可解释的增强迈出了一步。受这种范式的启发，我们引入Minimax-kNN，一个样本有效的数据增强策略量身定制的知识蒸馏（KD）。我们利用一种基于KD的半监督方法在增强数据上训练模型。与现有的盲目合并所有样本的kNN增强技术相比，我们的方法动态地选择了一个增强样本的子集，使教师和学生模型之间的KL分歧最大化。此步骤旨在提取最有效的样本，以确保我们的增强数据覆盖输入空间中具有最大损失值的区域。我们在几个文本分类任务上评估了我们的技术，并证明了Minimax-kNN始终优于强基线。我们的研究结果表明，Minimax-kNN需要更少的增强的例子和更少的计算，以实现优越的性能比最先进的基于kNN的增强技术。
2021-06-02 cs.CL cs.LG
Data Augmentation via Structured Adversarial Perturbations
Google Research（谷歌研究院）
数据增强是许多具有最先进性能的机器学习方法的主要组成部分。常见的增强策略通过从变换空间中抽取随机样本来工作。不幸的是，这样的采样方法在表现力方面是有限的，因为它们由于维数灾难而无法扩展到依赖于许多参数的丰富变换。对抗性示例可以被认为是数据增强的替代方案。通过对输入的最困难的修改进行训练，生成的模型有望能够处理其他可能更容易的修改。对抗性增强的优点是，它使用一个单一的、计算的扰动来取代采样，最大限度地增加损失。然而，缺点是这些原始的对抗性扰动看起来相当非结构化;应用它们通常不会产生自然的转换，这与理想的数据增强技术相反。为了解决这个问题，我们提出了一种方法来生成对抗性的例子，保持一些所需的自然结构。我们首先构造一个子空间，只包含所需结构的扰动。然后，我们将原始的对抗梯度投影到这个空间上，以选择一个结构化的变换，当应用时，它会最大限度地增加损失。我们通过两种类型的图像变换来演示这种方法：光度变换和几何变换。此外，我们还证明了在这种结构化的对抗图像上进行训练可以提高泛化能力。
2020-11-05 cs.LG
Data augmentation through multivariate scenario forecasting in Data Centers using Generative Adversarial Networks
IIT - Instituto de Investigación Tecnológica, Universidad Pontificia Comillas（科米利亚斯主教大学技术研究所（IIT））；Universidad Politécnica de Madrid（马德里理工大学）；CCS - Center for Computational Simulation（计算模拟中心（CCS））
针对数据中心AI能效策略所需数据不足的问题，提出结合GAN与场景预测的时间序列数据增强方法，可按需生成含异常的多变量数据，用真实数据验证有效，可助力数据中心能耗优化及同类时间序列问题研究。
2022-03-29 cs.AI cs.LG
Automated Data Augmentations for Graph Classification
Texas A&M University（得克萨斯农工大学）；Fujitsu Research of America, INC.（美国富士通研究公司）；Fujitsu Research, Fujitsu Limited（富士通有限公司富士通研究所）
数据增强是提高学习机不变性的有效方法。我们认为，数据增强的核心挑战在于设计保留标签的数据转换。这对于图像来说相对简单，但对于图形来说更具挑战性。在这项工作中，我们提出了GraphAug，一种新的自动数据增强方法，旨在计算标签不变的增强图分类。与现有研究中使用统一变换不同，GraphAug使用自动增强模型来避免损害图的关键标签相关信息，从而在大多数情况下产生标签不变的增强。为了确保标签不变性，我们开发了一种基于强化学习的训练方法，以最大化估计的标签不变性概率。实验表明，GraphAug在各种图分类任务上优于以前的图增强方法。
2023-02-28 cs.AI cs.LG
On the Importance of Hyperparameters and Data Augmentation for Self-Supervised Learning
University of Freiburg（弗莱堡大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
自监督学习（SSL）已成为深度学习研究中非常活跃的领域，它被大量用作分类和其他任务的预训练方法。然而，这一领域的快速发展是有代价的：不同论文的培训渠道差异很大，这是一个潜在的关键混淆因素。在这里，我们表明，超参数和数据增强策略的选择确实会对性能产生巨大影响。为了揭示这些被忽视的因素并帮助最大限度地发挥SSL的功能，我们对这些组件进行了超参数化，并使用贝叶斯优化对其进行了优化，显示了SimSiam SSL方法在多个数据集上的改进。意识到数据增强对SSL的重要性，我们还引入了一个新的自动化数据增强算法GroupAugment，它考虑了增强组并优化了组间的采样。与为监督学习设计的算法相比，GroupAugment在我们考虑的所有数据集上都实现了一致的高线性评估精度。总体而言，我们的研究结果表明SSL的重要性和可能被低估的数据增强的作用。
2022-07-16 cs.AI cs.CV cs.LG
Gibbs Max-margin Topic Models with Data Augmentation
Tsinghua University（清华大学）
最大边际学习是构建分类器和结构化输出预测器的强大方法。最近的工作最大利润监督主题模型已成功地将其与贝叶斯主题模型发现歧视性的潜在语义结构，并作出准确的预测看不见的测试数据。然而，由此产生的学习问题通常很难解决，因为非平滑的利润损失。现有的方法来建立最大利润监督主题模型依赖于一个迭代的过程来解决多个潜在的SVM子问题与额外的平均场假设所需的后验分布。本文提出了一种替代方法，通过定义一个新的最大利润损失。也就是说，我们提出了吉布斯最大利润监督主题模型，潜在变量吉布斯分类器发现隐藏的主题表示的各种任务，包括分类，回归和多任务学习。吉布斯最大边际监督主题模型最小化预期边际损失，这是从预期预测规则导出的现有边际损失的上界。通过引入增广变量和共轭积分的Dirichlet变量，我们开发了简单的吉布斯抽样算法，没有限制的假设，不需要解决SVM子问题。此外，“增广-塌陷”吉布斯抽样算法的每一步都有一个解析的条件分布，从中可以很容易地提取样本。实验结果表明，时间效率显着改善。在二进制、多类和多标签分类任务上，分类性能也明显优于竞争对手。
2013-10-10 cs.LG stat.CO stat.ME
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
GIMM: InfoMin-Max for Automated Graph Contrastive Learning
本文提出GIMM方法，通过对抗训练自动生成InfoMin最优视图并结合InfoMax进行视图比较，首次在GCL中统一两种信息原则，并通过引入随机性增强稳定性，在节点和图分类任务上优于现有GCL方法。
2023-05-27 cs.AI cs.LG
Revisit Input Perturbation Problems for LLMs: A Unified Robustness Evaluation Framework for Noisy Slot Filling Task
Beijing University of Posts and Telecommunications（北京邮电大学）；Meituan Group（美团集团）
本文提出统一鲁棒性评估框架，构建噪声槽填充数据集Noise-LLM，系统评估LLM在多种输入扰动下的表现，发现当前开源模型鲁棒性有限，并提出前瞻性建议。
2023-10-10 cs.AI cs.CL cs.LG
AUC-mixup: Deep AUC Maximization with Mixup
Shandong University（山东大学）；Texas A&M University（得克萨斯农工大学）
本文提出AUC-mixup方法，通过引入AUC间隔损失和软标签将mixup数据增强整合到深度AUC最大化中，有效缓解了小数据集上的过拟合问题，提升了模型在不平衡医学图像任务上的泛化能力。
2023-10-18 cs.LG eess.IV
Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices
University of Macau（澳门大学）；Zhejiang University of Technology（浙江工业大学）；Guangdong University of Technology（广东工业大学）；Nanyang Technological University（南洋理工大学）；University of Waterloo（滑铁卢大学）
本文提出生成式AI赋能的联邦学习方法FIMI，通过资源感知地填补本地缺失数据来缓解数据异构并优化能耗，实验表明可节省高达50%设备能耗并提升非IID数据下的全局精度。
2023-10-29 cs.DC 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
Adaptive Data Augmentation for Thompson Sampling
Department of Artificial Intelligence（人工智能系）
本文针对线性上下文老虎机提出一种近乎极小极大最优的汤普森采样方法，通过自适应增强与耦合假设样本的新估计器，无需上下文分布假设即可准确预测奖励，实证性能显著优于现有方法。
2025-06-17 cs.LG stat.ML
Target-centered Subject Transfer Framework for EEG Data Augmentation
Korea University（高丽大学）
数据增强方法被广泛探索用于增强解码脑电信号。在主体无关的脑机接口系统中，领域自适应和泛化被用来改变源主体的数据分布，以匹配目标主体作为增强。然而，先前的工作要么引入噪声（例如，通过噪声添加或用随机噪声生成）或修改目标数据，因此不能很好地描绘目标数据分布并妨碍进一步分析。在本文中，我们提出了一个以目标为中心的主题转移框架作为数据增强方法。首先构造源数据的子集以最大化源-目标相关性。然后，生成模型被应用于将数据传输到目标域。该框架通过添加额外的真实数据而不是噪声来丰富目标域的可解释性。与其他数据增强方法相比，它显示出优越的性能。大量的实验验证了该方法的有效性和鲁棒性，为进一步的研究提供了有力的工具。
2022-11-24 cs.LG eess.SP
Automatic Data Augmentation Selection and Parametrization in Contrastive Self-Supervised Speech Representation Learning
对比学习通过最大化相似信号段的潜在表示之间的相似性，使得能够学习有用的音频和语音表示而无需地面实况标签。在这个框架中，通常利用各种数据增强技术来帮助在学习的表示中执行所需的不变性，由于更鲁棒的嵌入，提高了各种音频任务的性能。现在，选择最相关的增强已被证明是改善下游性能的关键。因此，这项工作介绍了一种基于条件独立性的方法，该方法允许从一组预定义的增强及其参数化的选择中自动选择合适的分布，用于对比自监督预训练。这是针对感兴趣的下游任务执行的，因此节省了昂贵的超参数搜索。在两个不同的下游任务上进行的实验验证了所提出的方法，显示出比没有增强或基线增强的实验更好的结果。此外，我们根据所考虑的最终下游数据集对自动选择的增强及其变化进行定性分析。
2022-04-08 cs.LG cs.SD eess.AS
Generalization in Reinforcement Learning by Soft Data Augmentation
University of California, San Diego（加利福尼亚大学圣迭戈分校）；Technical University of Denmark（丹麦技术大学）
为了提高强化学习（RL）方法的泛化能力，人们已经做出了广泛的努力，通过域随机化和数据增强。然而，随着在训练期间引入更多的变化因素，优化变得越来越具有挑战性，并且根据经验可能导致较低的样本效率和不稳定的训练。我们提出了软数据增强（SODA），而不是直接从增强数据中学习策略，这是一种将增强与策略学习相结合的方法。具体而言，SODA对编码器施加软约束，其旨在最大化增强数据和非增强数据的潜在表示之间的互信息，而RL优化过程使用严格的非增强数据。对来自DeepMind Control套件的各种任务以及机器人操作任务进行了实证评估，我们发现SODA在训练中显着提高了样本效率，泛化和稳定性，超过了最先进的基于视觉的RL方法。
2021-04-09 cs.LG
ImportantAug: a data augmentation agent for speech
The Graduate Center, CUNY（纽约市立大学研究生中心）；Brooklyn College, CUNY（纽约市立大学布鲁克林学院）
我们介绍了ImportantAug，一种通过向语音的不重要区域而不是重要区域添加噪声来增强语音分类和识别模型的训练数据的技术。每个话语的重要性是由数据增强代理预测的，该数据增强代理经过训练以最大化它添加的噪声量，同时最小化它对识别性能的影响。我们的方法的有效性说明了版本2的谷歌语音命令（GSC）数据集。在标准GSC测试集上，与传统的噪声增强相比，它实现了23.3%的相对错误率降低，传统的噪声增强将噪声应用于语音，而不考虑它可能最有效的地方。与没有数据增强的基线相比，它还提供了25.4%的错误率降低。此外，建议的ImportantAug优于传统的噪声增强和基线上的两个测试集与额外的噪声添加。
2022-02-19 cs.LG cs.SD eess.AS
SDA: Improving Text Generation with Self Data Augmentation
The State University of New York at Buffalo（纽约州立大学布法罗分校）；Duke University（杜克大学）；Microsoft Research, Redmond（微软研究院（雷德蒙德））
数据增强已被广泛用于改进许多研究领域中的深度神经网络，例如计算机视觉。然而，较少的工作已经做了文本的上下文中，部分原因是其离散的性质和自然语言的复杂性。在本文中，我们提出了改进标准的最大似然估计（MLE）的范例，通过纳入一个自我模仿学习阶段的自动数据增强。与大多数现有的仅适用于特定模型的增强策略不同，我们的方法更通用，可以轻松地适应任何基于MLE的训练过程。此外，我们的框架允许设计特定于任务的评估指标，以灵活地控制生成的句子，例如，在控制词汇的使用和避免非平凡的重复。大量的实验结果表明，我们的方法在两个合成和几个标准的真实数据集上的优越性，显着改善相关基线。
2021-01-02 cs.CL cs.LG
Test-Time Augmentation Meets Variational Bayes
The University of Melbourne（墨尔本大学）；School of Mathematics and Statistics（数学与统计学院）
本研究提出加权测试时增强方法，在变分贝叶斯框架下形式化权重确定，通过最大化边际对数似然抑制不利增强，提升预测性能。
2024-09-19 cs.AI cs.LG stat.ML
Adversarial Learning Data Augmentation for Graph Contrastive Learning in Recommendation
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Tencent（腾讯）
近年来，图神经网络（GNNs）在推荐方面取得了显著的成功.为了减少数据稀疏性的影响，图对比学习（GCL）被用于基于GNN的CF方法，以提高性能。大多数GCL方法包括数据增强和对比损失（例如，InfoNCE）。GCL方法通过手工制作的图增强来构建对比对，并最大化同一节点的不同视图与其他节点的视图之间的一致性，这被称为InfoMax原则。然而，不适当的数据增强会阻碍GCL的性能。InfoMin原则，即良好的视图集共享最少的信息，并为设计更好的数据增强提供指导。在本文中，我们首先提出了一种新的数据增强（即，边缘操作包括边缘增加和边缘减少）。在此基础上，提出了一个基于信息最小化原理的对比学习框架--可学习的数据增强对比学习（LDA-GCL）。我们的方法包括数据增强学习和图对比学习，分别遵循InfoMin和InfoMax原则。在实现中，我们的方法优化了对抗损失函数，以学习数据增强和用户和项目的有效表示。在四个公共基准数据集上的实验证明了LDA-GCL的有效性。
2023-02-05 cs.IR cs.LG cs.SI
Online Learning Algorithms for Stochastic Water-Filling
University of Southern California（南加州大学）
针对未知信道增益分布下的随机时变信道，提出两种基于多臂老虎机的在线注水算法CWF1和CWF2，分别优化期望和速率与和速率的期望，并证明其遗憾或错误分配次数随信道数多项式增长、随时间对数增长。
2011-09-09 cs.LG cs.NI cs.SY
