Техника искусственного увеличения и разнообразия тренировочного набора данных за счёт трансформации существующих примеров, а не сбора новых.
Аугментация данных (data augmentation) — это техника искусственного увеличения объёма и разнообразия тренировочного набора данных путём применения контролируемых трансформаций к уже имеющимся примерам: для изображений это может быть поворот, отражение, обрезка или изменение цветовой гаммы, а для текста — перефразирование, замена слов синонимами или обратный перевод через другой язык.
Главная цель аугментации данных — сделать модель более устойчивой к вариациям и снизить риск переобучения: если модель видит один и тот же объект под разными углами или сформулированный разными словами один и тот же смысл, она с большей вероятностью научится улавливать суть закономерности, а не «зазубривать» конкретные пиксели или формулировки из тренировочного набора.
При обучении моделей компьютерного зрения для промышленного контроля качества аугментация данных (повороты, изменение освещения, добавление шума на изображениях) особенно важна, поскольку реальных примеров брака часто недостаточно для качественного обучения без искусственного расширения выборки.
Аугментация видоизменяет уже существующие реальные примеры (например, поворачивает реальное фото). Синтетические данные создаются с нуля искусственно — например, генерируются моделью или симулятором — без опоры на конкретный реальный пример.
Нет, это один из инструментов в наборе методов борьбы с переобучением, наряду с регуляризацией, увеличением реального объёма данных и упрощением модели — обычно эти методы комбинируют.
Нет, аугментация активно применяется и к тексту (перефразирование, обратный перевод, замена синонимов), и к аудиоданным (изменение скорости, добавление шума).