ㅁ 오디오 증강

ㅇ 정의:
오디오 데이터에 다양한 변형을 가하여 데이터셋을 확장하고 모델의 일반화 성능을 향상시키는 기법.

ㅇ 특징:
– 원본 오디오의 의미를 크게 훼손하지 않는 범위에서 변형을 적용.
– 배경 소음, 속도 변화, 음높이 조정 등 다양한 방법 존재.
– 음성 인식, 감정 분석, 환경 소리 분류 등에서 활용.

ㅇ 적합한 경우:
– 학습 데이터가 부족하거나 특정 환경에 편중된 경우.
– 다양한 잡음 환경에서도 견고한 모델이 필요한 경우.

ㅇ 시험 함정:
– 데이터 증강은 모델 성능 향상을 보장하지만, 잘못 적용 시 오히려 성능 저하 가능.
– 모든 증강 기법이 모든 태스크에 적합한 것은 아님.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “오디오 증강은 모델의 일반화 성능 향상에 기여할 수 있다.”
X: “오디오 증강은 항상 모델 성능을 향상시킨다.”

================================

1. 노이즈 추가

ㅇ 정의:
원본 오디오에 인위적으로 잡음을 섞어 학습 데이터의 다양성을 높이는 기법.

ㅇ 특징:
– 백색 잡음, 환경 소음, 다른 음성 샘플 등 다양한 형태의 노이즈 사용 가능.
– SNR(Signal-to-Noise Ratio)을 조절하여 난이도 조절.
– 실제 환경에서 발생할 수 있는 잡음 상황을 모사.

ㅇ 적합한 경우:
– 소음 환경에서도 인식률이 중요한 음성 인식 시스템.
– 다양한 녹음 환경에 대응해야 하는 환경 소리 분류.

ㅇ 시험 함정:
– 노이즈 추가는 항상 성능을 높이는 것이 아니라, 과도한 노이즈는 학습 방해.
– 노이즈 유형과 강도를 태스크 특성에 맞게 선택해야 함.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “노이즈 추가는 다양한 잡음 환경에서 모델의 견고성을 높인다.”
X: “노이즈 추가는 모든 상황에서 최적의 성능을 보장한다.”

ㅁ 추가 학습 내용

노이즈 추가 시 고려해야 할 주요 요소는 다음과 같다.
첫째, SNR 값 선택 방법을 신중히 결정해야 한다.
둘째, 노이즈 샘플의 출처를 구분해야 하며, 이는 실제 환경에서 녹음한 노이즈인지, 합성한 노이즈인지에 따라 특성이 달라진다.
셋째, 주파수 대역별로 노이즈를 적용할지 여부를 판단해야 한다.

시험에서는 ‘노이즈 추가’와 ‘데이터 오염(Data Corruption)’을 혼동시키는 문제가 자주 출제되므로, 의도적인 데이터 증강과 비의도적인 데이터 품질 저하의 차이를 명확히 구분해야 한다.

또한, 최근에는 SpecAugment처럼 스펙트로그램 단계에서 노이즈를 주입하는 기법이 활용되고 있으므로, 파형 단계에서의 증강과 스펙트로그램 단계에서의 증강 차이도 숙지해야 한다.