데이터 증대
데이터 증대는 이미지 뒤집기 또는 자르기와 같이 기존 예제의 수정된 복사본을 생성하여 훈련 세트를 인위적으로 확장합니다.
개요
It matters because more varied data reduces overfitting and helps models generalize to inputs they have not seen.
심층 분석
데이터 증대는 이미 가지고 있는 데이터에 레이블 보존 변환을 적용하여 새로운 학습 예제를 생성합니다. 이미지의 경우 이는 회전, 뒤집기, 자르기, 색상 이동, 흐림 및 노이즈 추가를 의미합니다. 이러한 변경은 픽셀을 변경하지만 정답은 아닙니다(뒤집힌 고양이는 여전히 고양이입니다). 텍스트의 경우 기술에는 동의어 대체, 역번역(다른 언어로 번역 및 역번역), 임의 단어 삭제 또는 교환이 포함됩니다. 오디오의 경우 배경 소음, 피치 이동 또는 시간 스트레치 클립을 추가할 수 있습니다. 목표는 모델에 중요한 불변성, 즉 객체의 정체성이 위치, 조명 또는 문구에 의존하지 않는다는 점을 가르치는 것입니다. 이는 모델을 더욱 강력하게 만들고 각 실제 사례가 효과적으로 많아지기 때문에 레이블이 지정된 데이터가 부족한 경우 특히 유용합니다. 최신 파이프라인은 각 훈련 에포크 동안 즉석에서 증강을 무작위화하는 경우가 많습니다.
기술적 통찰력
증강은 불변성에 대한 사전 지식을 훈련에 직접 주입하기 때문에 작동합니다. 모델에 하나의 예에 대한 많은 변환된 버전을 표시함으로써 관련 없는 변동을 무시하는 기능을 학습하도록 장려합니다. 결정적으로 변환은 레이블을 보존해야 합니다. '6'을 '9'로 바꾸는 것은 잘못된 것을 가르칠 것입니다. 고급 방법은 단순한 편집을 뛰어넘습니다. Mixup은 두 개의 이미지와 해당 레이블, 컷아웃 마스크 영역, AutoAugment 검색과 같은 학습된 정책을 혼합하여 주어진 데이터 세트에 대한 최상의 변환 조합을 찾습니다.
전략적 영향
더 명확한 결정들
이는 명확한 기술적 주장과 마케팅 언어를 구분하는 데 도움이 됩니다.
비용 및 예산
돈이나 시간을 들이기 전에 더 나은 구현 질문을 할 수 있습니다.
팀과 워크플로우
이해를 공유한 팀은 더 나은 제품, 정책 및 학습 결정을 내립니다.
데이터 증강의 미래
개척자는 생성 및 학습된 증강입니다. 확산 모델 또는 GAN을 사용하여 단순히 기존 모델을 변환하는 것이 아니라 완전히 새롭고 현실적인 훈련 사례를 합성하는 것입니다. 자동화된 증강 검색(AutoAugment, RandAugment)은 수동 조정을 줄이고, 증강은 이제 동일한 입력에 대한 두 개의 증강 보기가 일치해야 함을 인식하여 모델이 학습하는 자기 지도 학습의 핵심입니다. 특히 실제 데이터 수집이 어려운 희귀 클래스 및 개인 정보 보호에 민감한 도메인의 경우 증강을 통해 합성 데이터 생성의 경계가 계속 모호해질 것으로 예상됩니다.
실제 구현
이미지 분류기는 무작위로 회전하고, 자르고, 색상이 흔들리는 사진을 학습하므로 각도나 조명에 관계없이 객체를 인식합니다.
NLP 팀은 역번역(영어에서 독일어로, 역번역)을 사용하여 문장을 바꾸어 표현하고 소규모 감정 분석 데이터 세트를 확장합니다.
음성 모델은 배경 카페 소음을 추가하고 녹음 시 피치를 이동하여 시끄러운 실제 환경에서도 정확성을 유지합니다.
의료용 AI는 제한된 MRI 스캔 세트에 탄성 변형과 반전을 적용하여 새로운 환자 없이 라벨이 붙은 희귀한 사례를 증식시킵니다.
위험 및 가드레일
팀마다 동일한 용어를 다르게 사용할 수 있으므로 범위를 조기에 정의하세요.
벤치마크는 강력해 보이지만 실제 성능은 고르지 않을 수 있습니다.
데이터 품질 및 평가 계획을 무시하면 취약한 결과가 발생하는 경우가 많습니다.
구현 로드맵
필요한 결과에 대한 일반 언어 정의부터 시작하세요.
테스트하기 전에 하나의 성공 지표와 하나의 실패 조건을 선택하세요.
세련된 데모 세트가 아닌 대표 데이터를 사용하여 소규모 파일럿을 실행하세요.
데이터 증강이 도움이 되는 부분과 더 간단한 방법이 더 나은 부분을 문서화하세요.
계속 탐색하세요
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
다음 가이드
AI 및 데이터
자주 묻는 질문
What is Data Augmentation?
데이터 증대는 이미지 뒤집기 또는 자르기와 같이 기존 예제의 수정된 복사본을 생성하여 훈련 세트를 인위적으로 확장합니다. 데이터가 다양할수록 과적합이 줄어들고 모델이 보지 못한 입력으로 일반화되는 데 도움이 되기 때문에 중요합니다.
데이터 증대의 주요 목적은 무엇입니까?
증강은 기존 데이터의 다양하고 수정된 복사본을 생성하여 과적합을 줄이고 모델이 보이지 않는 입력을 처리하는 데 도움을 줍니다.
다음 중 일반적인 이미지 확대 기술은 무엇입니까?
뒤집기, 자르기, 회전 및 색상 이동은 레이블을 유지하면서 픽셀을 변경하는 표준 이미지 확대입니다.
텍스트 확대에서 역번역은 무엇을 합니까?
역번역은 텍스트를 다른 언어로 실행하고 그 반대로 실행하여 의미를 보존하는 단어가 변경된 버전을 생성합니다.
증강이 '라벨 보존'이어야 하는 이유는 무엇입니까?
변환은 정답을 변경해서는 안 됩니다. 예를 들어 '6'을 '9'로 바꾸면 예제의 라벨이 잘못 지정됩니다.
Mixup 기술의 기능은 무엇입니까?
Mixup은 입력 쌍과 해당 레이블을 선형적으로 결합하여 새로운 샘플을 생성하여 보다 원활한 결정 경계를 장려합니다.