데이터 증강 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 데이터 증대의 주요 목적은 무엇입니까?
   • 모델이 더 잘 일반화되도록 훈련 데이터를 확장하고 다양화합니다.
   • 훈련된 모델에 대한 추론 속도를 높이려면
   • 디스크의 데이터세트 크기를 압축하려면
   • 라벨이 지정되지 않은 예시에 자동으로 라벨을 지정하려면
2. 다음 중 일반적인 이미지 확대 기술은 무엇입니까?
   • 경사하강법
   • 무작위 수평 뒤집기
   • 토큰화
   • 탈락
3. 텍스트 확대에서 역번역은 무엇을 합니까?
   • 문장의 단어 순서를 반대로 바꿉니다.
   • 텍스트에서 모든 불용어를 제거합니다.
   • 텍스트를 다른 언어로 번역하고 다시 번역하여 의역 생성
   • 텍스트를 숫자 임베딩으로 변환합니다.
4. 증강이 '라벨 보존'이어야 하는 이유는 무엇입니까?
   • 데이터세트 파일 크기를 일정하게 유지하려면
   • 훈련을 더 빠르게 진행하려면
   • 그렇지 않으면 모델이 라벨을 읽을 수 없기 때문입니다.
   • 라벨을 변경하면 모델에 잘못된 연관성을 가르칠 수 있기 때문입니다.
5. Mixup 기술의 기능은 무엇입니까?
   • 두 개의 예시와 해당 라벨을 하나의 학습 샘플로 혼합합니다.
   • 이미지의 직사각형 영역을 마스킹합니다.
   • 최적의 증강 정책을 자동으로 검색합니다.
   • 모델 가중치에 무작위 노이즈를 추가합니다.
6. 데이터 증대는 언제 특히 가치가 있습니까?
   • 이미 라벨이 지정된 데이터가 무제한인 경우
   • 레이블이 지정된 데이터가 부족하고 더 많은 데이터를 수집하기 어려운 경우
   • 모델이 완전히 훈련된 경우에만
   • 표 형식 스프레드시트 데이터에만 해당
7. What does CutMix do to an image and its training label?
   • It adds a random word to a sentence without changing the label
   • It swaps only class names in the dataset
   • It replaces a patch with a patch from another image and mixes labels by the replaced area
   • It blurs every input and keeps a single label unchanged
8. How does AutoAugment select augmentation policies in its original paper?
   • It chooses transformations from a fixed human-written list without evaluation
   • It uses test labels to relabel training images
   • It selects operations from inference-time confidence only
   • It searches for policies using validation performance as a reward signal