Dataforsterkning

Dataforsterkning, ofte referert til som dataaugmentasjon, er en gruppe teknikker i maskinlæring som øker størrelsen og variasjonen av treningsdata uten å innhente nye observasjoner. Målet er å forbedre modellens generalisering og robusthet ved å gjøre den mindre avhengig av små variasjoner i treningssettet.

Metoder inkluderer blant annet:

- Bildebasert forsterkning: geometriske transformasjoner som rotering, speiling, beskjæring og skalering; fargejustering, støy og lysforhold; samt mer avanserte metoder som affine og perspektiv-transformasjoner.

- Tale og lyd: endre hastighet eller tonehøyde, legge til støy eller bakgrunnslyder.

- Tekst og NLP: synonymutskifting, tilfeldig setningsendring, tilfeldig ordbytte, back-translation og parafrase.

- Syntetisk data: generative modeller som GANs eller VAEs som skaper nye bilder eller andre data; simulering og rendering for å dekke spesifikke scenarier.

Anvendelser omfatter bildeklassifisering og objektdeteksjon, tale- og språkmodelltrening, samt medisinske bilder og andre felt der innsamling er kostbart eller sensitivt. Fordelene inkluderer bedre generalisering, redusert overtilpasning og forbedret dataeffektivitet. Ulempene kan være at syntetiske eller transformerte data ikke alltid reflekterer virkelige forhold, noe som kan skape skjevheter eller label-feil dersom forsterkningen ikke er kontrollert. Det er viktig å evaluere ytelsen på hold-out data og justere forsterkningsstrategier etter domene og oppgave.

Verktøy og rammeverk som PyTorch og TensorFlow støtter forsterkning gjennom egne transformasjoner, og det finnes bibliotek som Albumentations, ImgAug og NLP-augmentasjonsverktøy for lettere implementering.