증강을 고려한 합성
작은 합성 집합에 나중에 증강을 적용하는 것만으로는 충분한 효과가 나지 않을 수 있다. DSA는 합성 예시를 만드는 과정에서부터 증강을 함께 고려한다.
같은 변환의 적용
각 반복에서 실제 자료와 합성 자료에 같은 무작위 변환을 적용한다. 두 자료가 일치된 변환 조건에서 정보를 전달하도록 구성하는 것이 샴 증강의 핵심이다.
미분 가능한 경로
증강 함수를 미분할 수 있게 만들어 손실의 기울기를 합성 자료까지 역전파한다. 변환한 실제 배치와 합성 배치에서 계산한 모델 가중치 기울기를 맞추며 합성 영상을 갱신한다.
응축 자료의 활용
원 연구는 영상 분류와 구조 간 일반화, 연속 학습 및 신경망 구조 탐색을 평가했다. 목표는 사실적인 영상 생성 자체보다 증강과 함께 학습에 쓸 수 있는 작은 집합을 만드는 데 있다.
관련 문서
기울기 정합 데이터 응축 / 분포 정합 데이터 응축 / 데이터셋 증류 / 학습 궤적 정합 증류 / 생성 사전 기반 데이터 증류 / Data Diet