Dataforøgelse

Dataforøgelse er en teknik inden for maskinlæring, der går ud på at øge mængden og mangfoldigheden af træningsdata uden at indsamle nye data. Formålet er at forbedre modellens generalisering, reducere overfitting og udnytte små datasæt bedre. Dataforøgelse anvendes bredt i områder som computer vision, natural language processing og lydbehandling.

Der findes tre overordnede tilgange: transformation og ændringer af eksisterende data, syntetisk genererede data og metoder der ændrer fordelingen af data. Ved billeddata omfatter almindelige forøgere rotation, spejling, beskæring, farvejustering og tilfældig støj. Ved tekstdata anvendes synonymudskiftning, tilfældig indsættelse af små ændringer, back-translation og parafrasering. Ved lyddata bruges støj, ændret hastighed eller tonehøjde samt tidsforlængelse. Desuden bruges syntetisk data genereret af modeller som GAN’er eller VAEs, og teknikker som mixup eller CutMix, der kombinerer datapunkter.

Fordelene inkluderer større data-diversitet, mere robuste modeller og bedre præstation i situationer med begrænsede eller skæve datasæt. Ulemperne omfatter risiko for at skabe unrealistiske eller misvisende prøver, utilsigtet at forstærke eksisterende bias og øgede beregningsomkostninger. Desuden kræver teknikkerne omhyggelig evaluering for at undgå data-leckage og artefakter, der ikke afspejler virkelige forhold.

Dataforøgelse bør anvendes sammen med tydelige evalueringsmetoder og kendskab til domænet for at sikre, at forbedringerne skyldes bedre generalisering og ikke kunstige mønstre.