데이터 증강

영어	Data Augmentation
분류	기계학습 기법
목적	학습 데이터 확장
효과	과적합 방지, 일반화

'''데이터 증강'''(Data Augmentation)은 기존 학습 데이터를 변형하여 새로운 학습 샘플을 생성하는 [[기계학습]] 기법입니다. == 개요 == 데이터 증강은 제한된 학습 데이터를 효과적으로 확장하여 모델의 일반화 성능을 향상시킵니다. 특히 [[딥러닝]]에서 과적합을 방지하고 다양한 상황에 대응할 수 있게 합니다. == 이미지 증강 == === 기하학적 변환 === * 회전 (Rotation) * 이동 (Translation) * 크기 조절 (Scaling) * 뒤집기 (Flip) * 자르기 (Crop) === 색상 변환 === * 밝기 조절 * 대비 조절 * 색상 변경 * 채도 조절 === 노이즈 추가 === * 가우시안 노이즈 * 블러 * 왜곡 === 고급 기법 === * Mixup: 이미지 혼합 * Cutout: 일부 마스킹 * CutMix: 영역 교체 * AutoAugment: 자동 정책 == 텍스트 증강 == === 단어 수준 === * 동의어 대체 * 단어 삽입/삭제 * 순서 변경 === 문장 수준 === * 역번역 (Back-translation) * 패러프레이징 * [[LLM]] 생성 === 문서 수준 === * 문장 셔플 * 일부 삭제 == 오디오 증강 == * 시간 늘리기/줄이기 * 피치 변경 * 노이즈 추가 * 방 효과 (Reverb) == 효과 == === 장점 === * 과적합 방지 * 일반화 향상 * 데이터 부족 극복 * 비용 절감 === 주의사항 === * 과도한 증강 지양 * 도메인 적합성 * 레이블 일관성 == 도구 == === 이미지 === * Albumentations * imgaug * Keras ImageDataGenerator * torchvision.transforms === 텍스트 === * nlpaug * TextAttack * EDA == 관련 문서 == * [[기계학습]] * [[딥러닝]] * [[합성 데이터]] * [[이미지 분류]] [[분류:인공지능]] [[분류:기계학습]] [[분류:데이터]]