NeurIPS2020｜：新型自动数据增强方法解读(5)

2.时间开销对比我们以OHL AutoAug [3] 的时间开销为基准（1x），以WideResNet-28x10在CIFAR-10上使用Cutout的错误率为基准（0%），对比各方法的时间开销和相对误差降低如下。可见我们的方法在可接受的计算量内取得了很好的表现。

3.代理任务可靠性对比为了验证我们所选择代理任务相比其他代理任务的高可靠性，我们计算了在搜索过程中取得的准确度和最终准确度的相关性，结果如图所示：

4.消融实验为了验证我们搜索得到的策略的有效性，我们将我们的策略和Google AutoAug的策略中概率最高的增强操作逐个去除，并观察性能的变化。结果如下表所示，可见我们搜索得到的策略确实更有效。