Articles sur ActiveAugment

ActiveAugment modélise la sélection d'augmentation de données comme un problème d'apprentissage actif en ligne, où chaque mini-lot sélectionne les vues d'augmentation les plus vulnérables en fonction de l'incertitude de prédiction du modèle et des différences de fonctionnalités. Par rapport à l'amélioration statique ou aléatoire, elle lie pour la première fois la stratégie d'amélioration à l'état d'apprentissage actuel du modèle en temps réel, ce qui constitue un nouvel ajout à la méthode d'entraînement adaptative dynamique.