Augment on Manifold: Mixup Regularization with UMAP

要約

データ拡張技術は、深層学習モデルのパフォーマンスを向上させる上で重要な役割を果たします。
コンピュータ ビジョン タスクでは利点が証明されているにもかかわらず、他の領域での応用は依然として限られています。
この論文では、深層学習予測モデルの「多様体上」自動データ拡張のために設計された、UMAP Mixup と呼ばれる Mixup 正則化スキームを提案します。
提案されたアプローチでは、均一多様体近似および射影として知られる次元削減手法を利用することにより、ミックスアップ操作の結果、特徴とラベルのデータ多様体上にある合成サンプルが確実に生成されます。
さまざまな回帰タスクにわたる評価では、UMAP Mixup が他の Mixup バリアントと競合するか、それを上回るパフォーマンスを示し、深層学習モデルの汎化パフォーマンスを強化する効果的なツールとしての可能性が期待できることが示されています。

要約(オリジナル)

Data augmentation techniques play an important role in enhancing the performance of deep learning models. Despite their proven benefits in computer vision tasks, their application in the other domains remains limited. This paper proposes a Mixup regularization scheme, referred to as UMAP Mixup, designed for “on-manifold’ automated data augmentation for deep learning predictive models. The proposed approach ensures that the Mixup operations result in synthesized samples that lie on the data manifold of the features and labels by utilizing a dimensionality reduction technique known as uniform manifold approximation and projection. Evaluations across diverse regression tasks show that UMAP Mixup is competitive with or outperforms other Mixup variants, show promise for its potential as an effective tool for enhancing the generalization performance of deep learning models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google