颜色分类leetcode一种基于不确定性的数据增强随机抽样算法概述数据增强是一种强大的技术，可以提高视觉和文本分类任务等应用程序的性能。由于转换的空间可能非常大，选择在训练期间应用哪些转换可能非常昂贵。在发表于的论文中，我们提出了一种基于不确定性的随机采样方案，该方案在转换后的图像样本中挑选损失最大的那些。我们的直觉是，这些损失最大的转换样本也应该提供最多的信息。我们表明我们的算法在各种图像分类基准和模型架构上取得了最先进的结果。我们的算法包括以下三个步骤。在第一步中，用户可以为输入提供一系列变换函数，例如旋转和混合。在第二步中，我们生成K个随机变换序列以生成K个增强训练样本。在第三步中，我们选择那些具有最高损失的转换样本，这是我们对这个转换样本可以为模型提供多少增益的替代。如果转换样本的损失很大，那么我们使用样本执行反向传播。如果它很小，我们就丢弃它。需要注意的是，我们的想法在概念上与Zhang等人的相似。在ICLR'20。在那里，作者提出了一个有趣的对抗网络，可以生成具有大损失的增强样本。相比之下，我们的算法不需要训练这样的对抗网络。