dataaugmentering

Dataaugmentering is een verzamelnaam voor technieken die de hoeveelheid en variatie van trainingsdata kunstmatig vergroten door bestaande voorbeelden te transformeren of aan te vullen. Het doel is de dataset robuuster te maken voor nieuwe, ongeziene data, zodat modellen beter generaliseren en minder snel overfitten.

Toepassingsgebieden zijn breed. In machine learning wordt dataaugmentering veel toegepast bij beeld- en spraakherkenning, maar ook bij natuurlijke taalverwerking, time-series en medische beeldvorming. Door verschillende variaties te genereren kan een model beter omgaan met rotaties, ruis, belichtingsverschillen en andere realistische veranderingen in de input.

Veelgebruikte methoden zijn afhankelijk van het type data. Voor beelddata omvatten ze rota­ties, flips, croppen, schaal- en translatie-transformaties, kleurvariaties en ruis toevoeging. Voor tekst kan men synoniemen gebruiken, herformuleren of back-translation toepassen. Voor tijdreeksen en signalen worden jitter, schaalveranderingen, tijdsverschuivingen en window-slicing toegepast. Ook synthetische data uit generatieve modellen zoals GANs of diffusie-modellen en methoden als SMOTE voor tabulaire data komen voor. Online (tijdens training) en offline augmentatie (vooraf gegenereerde dataset) zijn gebruikelijke benaderingen.

Implementatie vereist aandacht voor labelintegriteit en realiteitswaarde. Transformaties moeten de betekenis van de input niet veranderen, en data leaks vermijden. Augmentatie kan de training robuuster maken, maar misbruik of overdreven variatie kan artefacten introduceren of de distributie verschuiven ten koste van prestaties.