https://arxiv.org/abs/2002.08973
Affinity and Diversity: Quantifying Mechanisms of Data Augmentation (Raphael Gontijo-Lopes, Sylvia J. Smullin, Ekin D. Cubuk, Ethan Dyer)
augmentation의 효과를 측정하기 위해 Affinity (augmentation이 적용된 valid set과 적용되지 않은 valid set에 대한 모델 성능의 차이 - 즉 augmented된 샘플이 decision boundary에 대해 이동하는가)와 Diversity (augmentation이 적용된 트레이닝셋에 대한 학습 loss - 즉 샘플의 분포가 더 넓은 영역을 커버하는가)를 제안. 이 두 가지 지표가 모두 높을 때에 모델 성능이 높아진다는 것을 확인.
#augmentation