データ拡張の方策で、従来手法では微分できなかった操作を確率表現や微分できる関数に修正することで微分可能とし、損失関数をデータ拡張の有無で比較した「分布間の距離」及び分類器の「交差エントロピー誤差」の重み付き和としたFaster Autoaugmentを提案した。なお、分布間の距離の算出にはWGAN-GPを使用している。

CIFAR-10、CIFAR-100、SVHN及びImageNetのデータセットで評価を行い、ベイズ最適化で高速化したFast AutoAugmentを含む従来手法より大幅に少ないGPU時間で実行可能。訓練させた分類器に関しては、従来手法に匹敵する正解率。

NASにおけるDARTS(ICLR 2019採択)のアプローチでAutoAugment(CVPR 2019採択)の計算時間の問題を解決し、かつFast AutoAugment(NeurIPS 2019採択)より大幅に高速化しているため通ったと考えられる。