Увеличаване на данни
Увеличаването на данни изкуствено разширява обучителен набор чрез създаване на модифицирани копия на съществуващи примери - като обръщане или изрязване на изображения.
Преглед
It matters because more varied data reduces overfitting and helps models generalize to inputs they have not seen.
Дълбоко гмуркане
Увеличаването на данни генерира нови примери за обучение чрез прилагане на запазващи етикети трансформации към данни, които вече имате. За изображения това означава завъртане, обръщане, изрязване, промяна на цвета, замъгляване и добавяне на шум – промени, които променят пикселите, но не и правилния отговор (обърнатата котка все още е котка). За текст техниките включват замяна на синоним, обратен превод (превод на друг език и обратно) и произволно изтриване или размяна на думи. За аудио можете да добавите фонов шум, изместване на височината или клипове с разтягане във времето. Целта е да се научи моделът на инвариантностите, които имат значение - че идентичността на обекта не зависи от неговата позиция, осветление или формулировка. Това прави моделите по-стабилни и е особено ценно, когато етикетираните данни са оскъдни, тъй като всеки реален пример ефективно става много. Съвременните тръбопроводи често рандомизират увеличенията в движение по време на всяка тренировъчна епоха.
Техническа информация
Увеличаването работи, защото инжектира предварителни знания за инвариантностите директно в обучението: като показвате на модела много трансформирани версии на един пример, вие го насърчавате да научи функции, които игнорират неуместни вариации. Най-важното е, че трансформациите трябва да запазят етикета - обръщането на "6" в "9" би научило на погрешно нещо. Усъвършенстваните методи надхвърлят простите редакции: Mixup смесва две изображения и техните етикети, Cutout маскира региони и научени правила като AutoAugment търсят най-добрите комбинации за трансформация за даден набор от данни.
Стратегическо въздействие
Clearer decisions
Помага ви да отделите ясните технически твърдения от маркетинговия език.
Cost and budget
Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
Team and workflow
Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.
Бъдещето на увеличаването на данните
Границата е генеративно и научено разширяване: използване на дифузионни модели или GAN за синтезиране на изцяло нови, реалистични примери за обучение, вместо просто трансформиране на стари. Автоматизираното търсене с разширение (AutoAugment, RandAugment) намалява ръчната настройка и разширяването вече е централно за самоконтролираното обучение, където моделите учат, като разпознават, че два разширени изгледа на един и същ вход трябва да съвпадат. Очаквайте разширението да продължи да размива линията със синтетично генериране на данни, особено за редки класове и чувствителни към поверителността домейни, където събирането на реални данни е трудно.
Внедряване в реалния свят
Класификаторът на изображения се обучава върху произволно завъртяни, изрязани и променени цветове снимки, така че да разпознава обекти независимо от ъгъла или осветлението.
Екип по НЛП използва обратен превод (от английски на немски и обратно), за да перифразира изречения и да разшири малък набор от данни за анализ на настроението.
Модел на говор добавя фонов шум от кафене и измества височината на записите, така че да остане точен в шумни условия в реалния свят.
Медицински AI прилага еластични деформации и обръща към ограничен набор от MRI сканирания, за да умножи оскъдни белязани примери без нови пациенти.
Рискове и предпазни огради
Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.
Пътна карта за изпълнение
Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
Изберете един показател за успех и едно условие за неуспех преди тестване.
Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
Документирайте къде Data Augmentation помага и къде по-простите методи са по-добри.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Data Augmentation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
AI и данни
Frequently asked questions
What is Data Augmentation?
Увеличаването на данни изкуствено разширява обучителен набор чрез създаване на модифицирани копия на съществуващи примери - като обръщане или изрязване на изображения. Има значение, защото по-разнообразните данни намаляват пренастройването и помагат на моделите да обобщават входните данни, които не са виждали.
Каква е основната цел на увеличаването на данните?
Увеличаването създава разнообразни, модифицирани копия на съществуващи данни, за да намали пренастройването и да помогне на модела да се справи с невидими входове.
Кое от тези е обичайна техника за увеличаване на изображението?
Обръщането, изрязването, завъртането и промените в цвета са стандартни увеличения на изображението, които променят пикселите, като същевременно запазват етикета.
Какво прави обратният превод при увеличаването на текста?
Обратният превод прекарва текст през друг език и обратно, като дава преформулирана версия, която запазва смисъла.
Защо увеличенията трябва да „запазват етикета“?
Трансформацията не трябва да променя правилния отговор — обръщането на „6“ в „9“ например би означавало неправилно етикетиране на примера.
Какво прави техниката Mixup?
Mixup създава нови проби чрез линейно комбиниране на двойки входове и техните етикети, насърчавайки по-плавни граници на решения.