Datenaugmentation

Datenaugmentation bezeichnet in der Praxis des maschinellen Lernens den Prozess, durch Transformationen oder Generierung neuer Beispiele aus vorhandenen Daten zusätzliche Trainingsdaten zu schaffen. Ziel ist eine bessere Generalisierung von Modellen, besonders wenn der ursprüngliche Datensatz klein, unausgeglichen oder schwer zu beschaffen ist. Datenaugmentation kommt in überwachten, unüberwachten oder semiüberwachten Lernsettings zum Einsatz.

Typische Verfahren hängen vom Datentyp ab. Bei Bilddaten umfassen sie geometrische Transformationen wie Rotation, Spiegeln, Zuschneiden oder Skalieren sowie Farbveränderungen (Helligkeit, Kontrast, Sättigung) und das Hinzufügen von Rauschen. Bei Textdaten kommen Synonymersetzungen, zufälliges Einfügen oder Entfernen von Wörtern, Back-Translation oder Übersetzungen zum Einsatz. Bei Audiodaten gehören Rausch- und Tempoänderungen, Pitch-Shifts oder Zeitverschiebungen dazu. Bei tabellarischen Daten können leichte Zufallsabweichungen, Resampling oder fortgeschrittene Generierungsmethoden wie SMOTE, GANs, VAEs oder Diffusionsmodelle verwendet werden.

Fortgeschrittene Ansätze nutzen modellbasierte Generierung, um plausible synthetische Daten zu erzeugen, die die Verteilung der echten Daten widerspiegeln. Online- oder On-the-fly-Augmentierung erfolgt während des Lernens, was Speicher- und Rechenressourcen spart. Risiken sind unrealistische Transformationen, die das Modell zu falschen Mustern führen, sowie Datenschutz- oder Vertraulichkeitsprobleme, wenn sensible Informationen wiederhergestellt werden könnten.

Anwendungsfelder reichen von Computer Vision und Spracherkennung über Medizin, Zeitreihenanalyse bis hin zu Sensorik. Durch Datenaugmentation lassen sich Klassenausgleiche verbessern, Robustheit erhöhen und der Bedarf an teuren Datensätzen verringert werden.