#PaperADay 6 局部特徵交換在強化學習中的泛化 對於泛化的討論很好，無論是一般的（哈）還是更具體的在強化學習中，但所提出的想法非常簡單，我將嘗試一下： CLOP：通道一致的局部置換 給定一個3D張量（帶有批次的4D），在每個位置以某種概率隨機與鄰居交換位置，作為一個單位交換所有通道。像dropout一樣，這通過共同適應減少了過擬合，但它不會將任何通道歸零，只是移動它們。 我同意在潛在空間中進行數據增強比在輸入空間中更有效的泛化。他們建議在空間層次中盡可能低地進行，但在2x2層次上這可能不是一個好主意，因為只有四種可能的置換，任何一種都會擾亂一半的空間信息。 注意，他們調整了每場比賽的交換機率，這在報告一系列遊戲的結果時通常不會這樣做。 在純監督學習任務上的結果並不顯著，但在不同位置插入CLOP並使用不同的訓練配方可能會更好。