Veri Artırma (Data Augmentation)
Data Augmentation · Ayrıca şöyle bilinir: Training Data Augmentation, Image Augmentation, Veri Artırma, Synthetic Data Augmentation
Veri artırma, mevcut örneklemlere etiket koruyucu dönüşümler uygulayarak bir eğitim veri kümesini yapay olarak genişleten bir teknik ailesidir. Başlangıçta görüntü sınıflandırma görevleri için sistematikleştirilmiş olup, günümüzde vizyon, metin, ses ve tablo alanlarında geniş çapta uygulanmaktadır. Denetimli derin öğrenmedeki etiketli veri kıtlığına pratik bir yanıt olarak ortaya çıkmış ve modern sinir ağı işlem hatlarında standart bir ön işleme adımı olmaya devam etmektedir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketli eğitim verisinin model kapasitesine göre sınırlı olduğu durumlarda, tıbbi görüntüleme, uzaktan algılama ve niş sınıflandırma görevlerinde yaygın olduğu gibi, veri artırmayı kullanın. Görüntü tabanlı evrişimli ağlar için neredeyse her zaman faydalıdır. Varsayımlar: dönüşümler hedef görev için etiket koruyucu olmalıdır (örneğin, 6 ve 9 rakamlarını çevirmek sorunlu olabilir). Test zamanı dağılımının oldukça kısıtlı olduğu durumlarda agresif artırmadan kaçının. Alternatifler arasında transfer öğrenme, kendi kendine denetimli ön eğitim veya otantik çeşitlilik gerektiğinde GAN'larla üretken artırma yer alır.
Güçlü yönler & sınırlılıklar
- Çok az maliyetle aşırı uyumu azaltır, yeni etiketli veri gerektirmez
- Doğrudan eğitim sürecine göreve özgü değişmezlikler oluşturur
- Model mimarisine diktir: herhangi bir denetimli öğrenme işlem hattıyla uyumludur
- 'On-the-fly' uygulaması minimum bellek ve depolama ek yükü ekler
- Dönüşüm seçimi alana özgüdür ve uzman ayarı gerektirebilir
- Yanlış veya aşırı agresif artırma etiket semantiğini bozabilir
- Eğitim kümesi zaten büyük ve çeşitli olduğunda sınırlı fayda
- Artırma politikası dışındaki kovaryant farklılıklarından kaynaklanan dağılım kaymasını ele almaz
SSS
Veri artırma her zaman model performansını iyileştirir mi?
Her zaman değil. Eğitim kümesi zaten büyük ve çeşitli olduğunda, marjinal fayda küçüktür. Dahası, asimetrik karakterleri çevirmek gibi etiket bütünlüğünü ihlal eden artırmalar performansa zarar verebilir. Doğru artırma stratejisi alana, belirli göreve ve tutulmuş bir küme üzerindeki ampirik doğrulamaya bağlıdır.
Çevrimiçi ve çevrimdışı artırma arasındaki fark nedir?
Çevrimdışı artırma, eğitimden önce artırılmış örnekler üretir ve depolar, diskte veri kümesi boyutunu çarpar. Çevrimiçi artırma, eğitim sırasında her mini gruba rastgele dönüşümler uygular ve depolama maliyeti olmadan teorik olarak sonsuz bir varyant akışı üretir. Çevrimiçi artırma, büyük ölçekli derin öğrenme için baskın uygulamadır çünkü modelin her epokta taze pertürbasyonlara maruz kalmasını sağlar.
Mixup standart artırmadan nasıl farklıdır?
Standart artırma, bireysel örnekleri bağımsız olarak dönüştürür. Mixup (Zhang ve diğerleri, 2018), eğitim örnekleri ve etiketleri çiftleri arasında doğrusal olarak enterpole ederek dışbükey kombinasyonlar oluşturur: x-tilde = lambda*x_i + (1-lambda)*x_j. Bu, daha yumuşak karar sınırlarını teşvik eder, kalibrasyonu iyileştirir ve ezberlemeyi azalttığı gösterilmiştir, ancak çapraz entropi yerine yumuşak etiketli kayıp hesaplaması gerektirir.
Kaynaklar
- Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6, 60. DOI: 10.1186/s40537-019-0197-0 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Data Augmentation. ScholarGate. https://scholargate.app/tr/deep-learning/data-augmentation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çekişmeli EğitimDerin öğrenme↔ karşılaştır
- Transfer LearningMakine öğrenmesi↔ karşılaştır