별도 탐색 단계의 비용
작은 모델과 작은 자료로 정책을 찾은 뒤 큰 과제에 옮기면 탐색 비용이 추가된다. 모델과 자료 크기에 맞는 정규화 강도를 직접 조절하기 어렵다는 문제도 있다.
작은 매개변수 공간
적용할 변환의 수와 변환에 공통으로 사용할 강도로 설정을 단순화한다. 좁아진 공간에서 목표 과제를 직접 학습하면서 적절한 증강 설정을 선택할 수 있게 했다.
규모에 맞춘 정규화
해석 가능한 설정을 통해 모델과 데이터셋의 크기에 맞는 증강 강도를 살필 수 있다. 작은 대리 과제의 정책이 큰 과제에도 항상 최적인지를 가정하지 않는 접근이다.
여러 과제의 비교
논문은 CIFAR와 SVHN 및 ImageNet 분류와 COCO 객체 검출에서 평가했다. 별도 정책 탐색을 단순화하면서 증강 효과를 유지하는지 기준 방식과 비교했다.
관련 문서
AutoAugment / UDA 일관성 학습 / Noisy Student / FixMatch / CutMix / MixUp