PulseAugur
中
实时 07:09:32

新框架改进了机器学习数据增强的轨迹选择

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新框架，用于系统地选择机器学习中的数据增强轨迹。该方法在包括动物行为、海事和城市交通在内的各种数据集上评估了五种策略：离群度、多样性、代表性、不确定性和随机选择。研究结果表明，系统选择，特别是离群度和不确定性，通过提高稳定性和减少性能下降，可以比随机抽样提供优势，尤其是在稀疏数据集上。然而，增强的有效性是有条件的，可能对密集、高质量的数据集产生负面影响。 AI

影响 这项研究为数据增强提供了一种更具原则性的方法，通过优化训练数据的选择，有可能在数据稀缺的情况下提高模型性能。

排序理由 该集群包含一篇学术论文，详细介绍了机器学习数据增强的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Adam Nordling ·

    A Systematic Approach for Selecting Trajectories for Data Augmentation

    Trajectory data augmentation is a promising approach to mitigate data scarcity in machine learning applications, but its utility has been limited by the complexity of preserving spatio-temporal coherence. Although prior work demonstrated the viability of geometric perturbation, i…

相关实体

相关话题