Lossの算出とBackpropで、異なるAugmentation方針を使用するAugmented Descentを提案した。論文における説明や実験は、ICLR 2020採択のDivideMixへの適用が中心となっている。

CIFAR-10、CIFAR-100及びClothing 1MのデータセットでResNet-18による評価を行い、ラベルノイズの多い場合は全て従来手法を上回る結果。特に、CIFAR-10でラベルノイズ90%の条件では、Loss計算が弱いAugmentationでBackpropが強いAugmentationの場合に正解率を15%以上向上させている。

論文の構成が洗練されていて、要点を押さえた実験結果で精度の向上を明確に示したため通ったと考えられる。なお、1st Authorはカリフォルニア州サンノゼにあるリンブルック高校の学生で、PyTorch実装( https://github.com/KentoNishi/Augmentation-for-LNL )が公開されている。