A Unified Approach for Binary-Class and Multi-Class Data Augmented Generation
Notice bibliographique
Résumé
Deep neural networks excel in a wide range of tasks but require diverse datasets to prevent overfitting. Overfitting occurs when a network fits training data too precisely, leading to poor generalization. Data Augmentation is often used to mitigate overfitting aiming at enlarging and improving the quality of training datasets, facilitating the construction of superior deep learning models. MAGAN algorithm emerges as an innovative approach that functions as a Meta-Analysis of Generative Adversarial Networks (GANs). MAGAN harnesses the latent space capabilities of GANs to confront the challenges presented by binary-class, multi-class, grayscale, and RGB images, effectively covering a wide spectrum of scenarios. In this paper, we propose the use of MAGAN algorithm for binary-class and multi-class data augmented generation. We also undertake an in-depth experimental analysis, evaluating the performance of the proposed MAGAN-based approach in comparison to two alternative baseline scenarios: one without any augmentation and another utilizing a conventional augmentation method. To gauge the effectiveness of the proposed technique, we employed diverse classification metrics, including accuracy, loss, precision, recall, F1-score, and the confusion matrix. Our results demonstrate that the proposed approach surpasses the other two scenarios achieving improvements in terms of accuracy by a factor of x1.15 and x1.03, respectively. This underscores the significant advantages of harnessing MAGAN, a meta-analysis of GANs, for data augmentation across a range of image types and classification tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».