在泛化过程中进行诊断：基于小波的分析框架及深度学习的数据增强方法

《IEEE Access》：Diagnosing While Generalizing: Wavelet-Based Analysis Framework and Data Augmentation for Deep Learning

　　

摘要：

卷积神经网络常常存在“频谱偏差”问题，即过度依赖低频特征而忽视高频细节，这限制了模型的泛化能力，尤其是在小样本情况下。为了解决这一问题，我们提出了一个基于小波的统一框架，并引入了两种新的诊断工具来评估和提升深度学习模型的频域鲁棒性。频率增量响应评估（FIRE）可以量化不同频率成分对模型预测的具体贡献，而频率-准确性相关性估计测试（FACET）则揭示了频谱特征与分类性能之间的统计关系。基于这些诊断结果，我们开发了WAVE-MIX这种轻量级的随机增强方法，它在保留语义内容的同时丰富了小波细节系数。在多个基准数据集上的实验表明，该方法在小样本情况下能够显著提升模型性能，准确率最高提升了17.12%，且无需额外参数或推理开销。这些结果证明了基于小波的频域分析是一种有效的“在泛化过程中进行诊断”的方法，为深度学习提供了理论上的清晰性和实践上的鲁棒性。