dataaugmentatie

Dataaugmentatie, ook wel data-augmentatie genoemd, is een verzameling technieken waarmee uit bestaande trainingsgegevens extra, variëteitvolle voorbeelden worden gegenereerd. Het doel is de diversiteit van de trainingsset te vergroten zonder extra handmatig labelwerk. Door meer variatie in de data aan te bieden, kunnen modellen beter generaliseren naar nieuwe, ongeziene voorbeelden en wordt overfitting verminderd. Dataaugmentatie wordt vooral toegepast in machine learning en deep learning en kan tijdens het trainen of in de data-preprocessing-pijplijn plaatsvinden.

In beeldherkenning en computervisie omvat dataaugmentatie vaak geometrische transformaties zoals spiegeling, rotatie, cropping en schaling, evenals fotometrische aanpassingen zoals veranderingen in helderheid, contrast, saturatie en kleurtoon. Ook ruis, blur, random erasing of methodes als mixup en cutout worden toegepast om robuustheid te vergroten. In natuurlijke taalverwerking en spraak wordt augmentatie vaak uitgevoerd via synoniemvervanging, random insertion of deletion van woorden, back-translation en parafrasering; bij audio kan men tijds- en toonhoogteversnellingen, ruis toevoegen of stille segmenten gebruiken.

Het kiezen van geschikte augmentaties vereist zorgvuldige afstemming op de taak en de data, omdat verkeerde of overdreven augmentatie het label kan verbergen of de data-distributie kan vertekenen. Daarnaast brengt augmentatie rekenkosten en opslag met zich mee en kan een onevenwichtige toepassing de prestaties negatief beïnvloeden als de gegenereerde data de echte data niet goed weerspiegelt.

---