研究人员开发了 DRO-Augment，这是一个旨在提高深度神经网络在使用基于 Mixup 的数据增强时的校准性能的新框架。该方法集成了 Wasserstein Distributionally Robust Optimization (W-DRO)，以解决增强性能越强、对抗损坏数据的鲁棒性越好，但校准误差越大的权衡问题。DRO-Augment 在 CIFAR-10 和 CIFAR-100 等数据集上显著降低了校准误差，同时保持了准确性，并为未来的研究引入了一个改进的 CIFAR-C 基准。 AI
影响 这项研究可能带来更可靠、校准更准确的深度学习模型，尤其是在面临数据损坏的图像分类任务中。
排序理由 该集群包含一篇学术论文，详细介绍了用于深度神经网络的新优化框架。[lever_c_demoted from research: ic=1 ai=1.0]
- CIFAR-10
- CIFAR-100
- CIFAR-100-C
- CIFAR-10-C
- DRO-Augment
- Jiaming Hu
- MIXUP
- Wasserstein distributionally robust optimization
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
