会员服务
数据增强在机器学习领域多指采用一些方法（比如数据蒸馏，正负样本均衡等）来提高模型数据集的质量，增强数据。

精品内容

【ICML2022】图神经网络的局域数据增强方法
【ICML2022】图神经网络的局域数据增强方法
专知会员服务
19+阅读 · 7月24日
推荐！【中文版】美国空军研究实验室《SNOWCAT和CAVA：与AUTOML和知识库互动的可视化工具》32页技术总结报告
推荐！【中文版】美国空军研究实验室《SNOWCAT和CAVA：与AUTOML和知识库互动的可视化工具》32页技术总结报告
专知会员服务
28+阅读 · 7月10日
小数据如何学习？佐治亚理工杨笛一等《有限文本数据学习》ACL2022教程，阐述最新前沿技术，附Slides
小数据如何学习？佐治亚理工杨笛一等《有限文本数据学习》ACL2022教程，阐述最新前沿技术，附Slides
专知会员服务
25+阅读 · 5月23日
小样本研究2022进展到哪了？华东师大最新《少样本学习》全面综述，从近三年200篇文献阐述小样本学习的演变、应用、挑战和机遇
小样本研究2022进展到哪了？华东师大最新《少样本学习》全面综述，从近三年200篇文献阐述小样本学习的演变、应用、挑战和机遇
专知会员服务
83+阅读 · 5月19日
面向图像分类的小样本学习算法综述
面向图像分类的小样本学习算法综述
专知会员服务
32+阅读 · 5月9日
自监督如何做推荐？昆士兰大学最新《自监督学习推荐系统》综述论文，阐述对比、生成、预测和混合四大类方法
自监督如何做推荐？昆士兰大学最新《自监督学习推荐系统》综述论文，阐述对比、生成、预测和混合四大类方法
专知会员服务
26+阅读 · 4月5日
【WWW2022】图上的聚类感知的监督对比学习，ClusterSCL: Cluster-Aware Supervised Contrastive Learning on Graphs
【WWW2022】图上的聚类感知的监督对比学习，ClusterSCL: Cluster-Aware Supervised Contrastive Learning on Graphs
专知会员服务
14+阅读 · 3月28日
【ICLR2022】序列生成的目标侧数据增强
【ICLR2022】序列生成的目标侧数据增强
专知会员服务
20+阅读 · 2月14日
「小样本深度学习图像识别」最新2022综述
「小样本深度学习图像识别」最新2022综述
专知会员服务
75+阅读 · 1月15日
哈工大最新《自然语言处理数据增强方法》综述论文，155页pdf阐述复述、噪声和抽样三大数据增强方法
专知会员服务
44+阅读 · 2021年10月16日
VLDB2021最新《数据增强机器学习》教程，194页ppt阐述知识库的完整性、召回与否定
专知会员服务
44+阅读 · 2021年9月1日
【ACL2021】可学习知识引导的事件因果关系识别数据增强方法
专知会员服务
29+阅读 · 2021年8月11日
小目标检测研究进展
专知会员服务
49+阅读 · 2021年8月8日
ICCV 2021｜“白嫖”性能的MixMo，一种新的数据增强or模型融合方法
ICCV 2021｜“白嫖”性能的MixMo，一种新的数据增强or模型融合方法
专知会员服务
23+阅读 · 2021年8月6日
序列数据的数据增强方法综述
专知会员服务
49+阅读 · 2021年7月21日
参考链接
微信扫码咨询专知VIP会员
Top