mixup: BEYOND EMPIRICAL RISK MINIMIZATION 小笔记
概述
文章指出一些成功的神经网络所有的两个共同点:首先是会拟合一个训练集,其次是模型规模随着数据集样本增多而增大。同时也指出一些问题:一是尽管在很强的正则化下,模型也可以记住训练数据,而不是根据泛化得到;二是模型容易被对抗样本攻击。
方法
因此提出MixUp数据增强方法:
![](/assets/blank.gif)
其中x, y是数据集中的随机样本。
MixUp作用理解
MixUp扩展了训练数据集的分布,相当于告诉模型,训练样本的线性组合,对应的gt也是线性组合,让模型认为样本间的区域也应该是线性区域,降低了模型在训练样本分布区域中间可能的过拟合震荡。
实验发现
在具体实现上,作者也发现组合更多的样本并没有带来性能提升,反而增加了计算量;并且只使用一个data_loader,在一个mini_batch里面随机进行样本组合效果也良好。
另外的一些发现,例如α值在[0.1, 0.4]之间时提升了模型性能,否则可能造成欠拟合;更大的模型或者更长时间的训练更有可能在MixUp中受益;MixUp和dropout的组合进一步提升了泛化性能,达到了更强的正则化的效果;增大α将增大训练损失,但对泛化性能提升有帮助。
实验结果
最终的实验结果,主要验证了几个现象:
- MixUp提升了分类模型精度指标;
- 更大的模型或者更长时间的训练更有可能从MixUp中获益;
- MixUp有正则化的作用;
- MixUp还能提升GAN网络训练的稳定性;
- 这种线性组合效果已经足够好,其它的组合方式还不如这种简单的两个随机样本的线性组合。
mixup: BEYOND EMPIRICAL RISK MINIMIZATION 小笔记相关推荐
- mixup:beyond empirical risk minimization
全网最全:盘点那些图像数据增广方式Mosiac,MixUp,CutMix等. - 知乎全网最全:盘点那些图像数据增广方式Mosiac,MixUp,CutMix等. 本文由林大佬原创,转载请注明出处,来 ...
- 【深度学习】Mixup: Beyond Empirical Risk Minimization
博主整理了近几年混合样本数据增强(Mixed Sample Data Augmentation)相关论文和代码,并分享在github上,地址如下, https://github.com/JasonZh ...
- [ICLR 2018] mixup: Beyond Empirical Risk Minimization
Contents Mixup Experiments Image Classification Task Speech data Memorization of Corrupted Labels Ro ...
- mixup: BEYOND EMPIRICAL RISK MINIMIZATION
原文:https://arxiv.org/pdf/1710.09412.pdf 代码:https://github.com/hongyi-zhang/mixup 摘要:深度神经网络非常强大,但也有一些 ...
- 【Mixup】《Mixup:Beyond Empirical Risk Minimization》
ICLR-2018 文章目录 1 Background and Motivation 2 Related Work 3 Advantages / Contributions 4 Method 5 Ex ...
- ICLR2018_mixup: Beyond Empirical Risk Minimization
作者 Hongyi Zhang 张宏毅 @ 张宏毅知乎 北大->MIT 论文所属FAIR Abstract 深度神经网络有些不好的行为:强记忆和对对抗样本敏感 Christian ...
- [论文评析]Cross-Domain Empirical Risk Minimization for Unbiased Long-Tailed Classification,AAAI,2022
Cross-Domain Empirical Risk Minimization for Unbiased Long-Tailed Classification 文章信息 背景 动机 方法 因果分析 ...
- 机器学习理论 之 经验风险最小化(Empirical Risk Minimization)
该理论探讨的是模型在training set上的error 与 generation error的关系. 训练模型时,需要多少个样本,达到什么精度,都是由理论依据的. 理论点: 偏差方差权衡(Bias ...
- 经验风险最小化(ERM, Empirical risk minimization)
转自:http://sophic.blog.163.com/blog/static/35997947201362975230995/
最新文章
- 汉字的理据与造字取向
- jquery each函数的使用
- 五十八种网络故障及其解决办法
- 比尔·盖茨:如果你想了解硅谷,就看《硅谷》吧
- 基于UNet和camvid数据集的道路分割
- java线性表源代码_线性表java实现之顺序存储源码
- python爬虫数据分析系统_2小时精通python爬虫技术 带你打造Bug系统数据抽取及统计分析...
- 写给测试人的保姆级涨薪跳槽面试指南
- numpy之转置(transpose)和轴对换
- flex学习笔记 数据验证
- VS2017离线安装
- 数据库中自然连接与内连接的区别
- Stimulsoft报表使用心得
- Visual Studio Code 是啥?
- 最小生成树Prim算法Java版
- 3D点云深度学习PointNet源码解析——pointnet_cls.py.py
- 山东省创新型中小企业认证解读
- 常见锁的区别及适用场景
- python3编译安装_编译安装Python 3
- UML--协作图详解
热门文章
- vs2017添加C语言模版,「vs2017 项目模板」有没有大神知道vs2017怎么配置wdk10开发x64驱动...
- 如何快速学习python,怎么学习Python
- 关于HCE——Android手机NFC模拟刷卡成果和心得(上)
- 【应用SLAM技术建立二维栅格化地图】
- Qt项目-----简易QQ(超详细,适合小白)
- Android调用相机与相册的方法
- 强烈推荐|websocket 全双工通信协议详解
- 多通道主控的多CE NAND Flash 动态块模型
- Python跨文件全局变量的使用技巧
- Apache日志分割——rotatelogs、cronolog