Batch Augmentation(BA)：提出使用不同的数据增强在同一批次中复制样本实例，通过批次内的增强在达到相同准确性的前提下减少了SGD 更新次数，还可以提高泛化能力。
Batch Augmentation (BA)
没有 BA 的普通SGD：
一个具有损失函数 ℓ (w, xn, yn) 的模型， {xn, yn} 表示目标对的数据集 ，n 从 1 到 N（是 N 个数据样本），其中 xn ∈ X 和 T：X → X是应用于每个示例的一些数据增强变换，例如，图像的随机裁剪。每个批次的通用训练过程包括以下更新规则（为简单起见，这里使用具有学习率 η 和批次大小 B 的 普通SGD）：
其中 k (t) 是从 [N / B] = {1,…, N / B} 中采样的，B (t) 是批次 t 中的样本集。
SGD和 BA：
BA 建议通过应用变换 Ti 来引入同一输入样本的 M 个多个实例，这里用下标 i ∈ [M] ，以表示每个变换的差异。这样学习规则则变为如下公式：
其中 M·B 是由 B 个样本通过 M 个不同的变换进行扩充并进行合并后的一个批次数据，反向传播更新的规则可以通过评估整个 M·B 批次或通过累积原始梯度计算的 M 个实例来计算。使用大批量更新作为批量扩充的一部分不会改变每个 epoch 执行的 SGD 迭代次数。
BA 也可用于在中间层上进行转换。例如，可以使用常见的 Dropout 在给定层中生成同一样本的多个实例。带有 Dropout 的 BA 可以应用于语言任务或机器翻译任务。
实验结果
上图显示了改进后的验证收敛速度（以 epoch 计），最终验证分类错误明显降低。随着 M 的增加，这一趋势在很大程度上继续改善，与论文的预期一致。
在实验中，ResNet44 with Cutout 在 Cifar10 上进行训练。ResNet44 仅在 23 个 epoch 中就达到了 94.15% 的准确率，而baseline为 93.07%，并且迭代次数超过了四倍（100 个 epoch）。对于 M = 12 的 AmoebaNet，在 14 个 epoch 后达到 94.46% 的验证准确率，而无需使用任何的 LR 调整策略。
Cifar、ImageNet 模型的验证准确度 (Top1) 结果、测试性能结果和 Penn-Tree-Bank (PTB) 和 WMT 数据集上的 BLEU 分数。
图中的两个基线方案：
（1）“Fixed #Steps” - 与 BA 具有相同训练的原始方案
（2）“Fixed #Samples” - BA 相同数量的样本（使用 M·B批大小）。
PTB 和 WMT En-De为使用 Dropout 的 BA 应用于语言和机器翻译任务，从图上可以看到在 CIFAR、ImageNet、PTB 和 WMT En-De 上使用 BA 都可以提高性能。通过比较“Fixed #Steps”和“Fixed #Samples”，BA 增加批次中的样本对于提高性能至关重要
论文地址：
[2020 CVPR] [Batch Augment, BA]Augment Your Batch: Improving Generalization Through Instance Repetition
作者：Sik-Ho Tsang