ㅁ 스마트 증강

ㅇ 정의:
머신러닝 모델의 성능을 높이기 위해 데이터에 다양한 변형을 가하여 학습 데이터를 증강하는 기술.

ㅇ 특징:
– 데이터의 다양성을 확보하여 모델의 일반화 성능을 개선.
– 과적합 방지에 효과적.
– 변형 기법이 자동화되어 있어 반복적인 작업을 줄임.

ㅇ 적합한 경우:
– 데이터 양이 적은 경우.
– 다양한 환경에서 모델의 성능이 요구되는 경우.

ㅇ 시험 함정:
– 데이터 증강이 항상 모델 성능을 향상시키는 것은 아님.
– 변형 기법의 과도한 사용은 원본 데이터의 특성을 왜곡할 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
1. 스마트 증강은 데이터의 양이 충분한 경우에도 필수적으로 사용된다. (X)
2. 스마트 증강은 모델의 과적합 방지에 도움이 된다. (O)

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

1. RandAugment

ㅇ 정의:
데이터 증강 기법 중 하나로, 사전 정의된 변형 기법 세트에서 랜덤하게 선택하여 데이터를 변형하는 방식.

ㅇ 특징:
– 변형 기법의 수와 강도를 사용자가 설정 가능.
– 간단한 구조로 인해 적용이 용이.
– 데이터셋에 따라 최적의 설정이 달라질 수 있음.

ㅇ 적합한 경우:
– 다양한 변형 기법을 빠르게 실험하고자 할 때.
– 데이터셋의 특성이 변형 기법에 크게 영향을 받지 않을 때.

ㅇ 시험 함정:
– 변형 기법의 강도를 높이면 항상 성능이 개선된다고 생각할 수 있음.
– 모든 데이터셋에 동일한 설정을 사용할 수 있다고 오해할 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
1. RandAugment는 변형 기법의 강도를 임의로 설정할 수 없다. (X)
2. RandAugment는 사전 정의된 변형 기법 세트에서 선택하여 데이터를 변형한다. (O)

ㅁ 추가 학습 내용

RandAugment와 다른 데이터 증강 기법들(예: AutoAugment, Mixup)의 차이점을 학습하기 위해 아래 내용을 정리합니다.

1. **RandAugment**:
– 데이터 증강 기법으로, 사전 정의된 증강 작업의 집합에서 랜덤하게 선택하여 이미지를 변형.
– 특정 증강 작업의 강도와 개수를 조정하는 두 가지 하이퍼파라미터를 사용.
– AutoAugment와 달리 별도의 검색 과정 없이 간단한 설정으로 증강을 적용 가능.
– 주요 장점: 간단한 구현, 검색 비용 감소.

2. **AutoAugment**:
– 데이터 증강 정책을 자동으로 탐색하여 최적의 증강 작업을 찾는 방법.
– 강화 학습을 사용해 데이터셋에 적합한 증강 정책을 검색.
– RandAugment보다 더 복잡하며, 초기 설정 시 많은 계산 자원이 필요.
– 주요 장점: 데이터셋에 최적화된 증강 정책을 제공하여 성능 향상 가능.

3. **Mixup**:
– 두 이미지와 해당 라벨을 선형적으로 혼합하여 새로운 데이터 포인트를 생성하는 기법.
– 이미지와 라벨을 섞어 모델이 예측 시 더 일반화된 학습을 하도록 도움.
– RandAugment 및 AutoAugment와는 달리, 이미지 변형이 아닌 데이터 간 혼합을 통해 증강.
– 주요 장점: 과적합 방지, 모델의 일반화 성능 향상.

4. **RandAugment 사용 시 데이터셋 특성에 따른 최적 설정 찾기**:
– 하이퍼파라미터 조정: 증강 강도와 증강 개수를 적절히 설정해야 함.
– 사례: CIFAR-10과 같은 작은 이미지 데이터셋에서는 증강 강도를 낮게 설정하는 것이 유리하며, ImageNet과 같은 고해상도 데이터셋에서는 증강 강도를 높게 설정하는 것이 효과적일 수 있음.
– 실험적 접근: 다양한 설정을 적용해보고 모델 성능을 평가하여 최적의 설정을 찾는 방식이 일반적.
– 데이터셋 특성 고려: 데이터셋의 크기, 이미지 해상도, 클래스 수 등을 기반으로 증강 강도를 조정.

위 내용을 기반으로 시험 대비를 강화할 수 있도록 학습하세요.