ㅁ 스마트 증강

ㅇ 정의:
데이터 증강을 자동화하기 위해 강화학습이나 탐색 알고리즘을 활용하여 최적의 증강 정책을 찾아내는 기술.

ㅇ 특징:
– 사전에 정의된 다양한 증강 기법 조합을 탐색하여 최적의 파이프라인을 자동 생성.
– 이미지, 음성, 텍스트 등 다양한 도메인에 적용 가능.
– 사람의 수작업 개입을 줄이고 모델 성능을 극대화.

ㅇ 적합한 경우:
– 대규모 데이터셋에서 수작업 증강 설계가 비효율적인 경우.
– 도메인 특화 증강 정책을 빠르게 탐색해야 할 때.
– 데이터 편향을 줄이고 일반화 성능을 높이고자 할 때.

ㅇ 시험 함정:
– AutoAugment는 새로운 증강 기법을 만드는 것이 아니라, 기존 증강 기법의 조합과 순서를 최적화하는 것임.
– 모든 경우에 성능이 향상되는 것은 아니며, 탐색 시간이 매우 오래 걸릴 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “AutoAugment는 강화학습을 이용해 최적의 데이터 증강 정책을 자동으로 탐색한다.”
X: “AutoAugment는 새로운 데이터 증강 알고리즘을 발명하여 기존 기법을 대체한다.”

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

1. AutoAugment

ㅇ 정의:
구글 브레인에서 제안한 자동 데이터 증강 기법으로, 강화학습 기반 탐색을 통해 데이터셋에 최적화된 증강 정책을 찾는 방법.

ㅇ 특징:
– 정책 탐색에 RNN 기반 컨트롤러와 강화학습을 사용.
– 각 증강 연산의 종류, 확률, 강도를 조합하여 정책을 구성.
– CIFAR-10, ImageNet 등에서 성능 향상 입증.

ㅇ 적합한 경우:
– 수작업 증강 설계가 어려운 복잡한 이미지 분류 문제.
– 다양한 증강 조합이 모델 성능에 큰 영향을 미치는 경우.

ㅇ 시험 함정:
– AutoAugment는 증강 기법을 “발명”하지 않음.
– 탐색 비용이 크므로 소규모 데이터셋이나 제한된 리소스 환경에서는 비효율적일 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “AutoAugment는 기존 증강 기법의 조합을 강화학습으로 최적화한다.”
X: “AutoAugment는 새로운 이미지 변환 알고리즘을 개발한다.”

ㅁ 추가 학습 내용

AutoAugment는 새로운 데이터 증강 기법을 창안하는 것이 아니라, 기존에 알려진 증강 기법들의 조합과 적용 순서, 강도를 최적화하는 방법이다. 이 과정에서 강화학습을 이용하여 최적의 정책을 탐색하지만, 탐색 시간이 오래 걸린다는 단점이 있다.
RandAugment는 AutoAugment와 달리 별도의 탐색 과정 없이 증강 강도와 적용 개수라는 두 개의 하이퍼파라미터만 조정하여 계산 비용을 크게 줄인다.
TrivialAugment는 RandAugment보다 더 단순화된 방식으로, 증강 강도를 무작위로 선택하여 적용한다.
Population Based Augmentation(PBA)는 AutoAugment의 탐색 시간 문제를 해결하기 위해 제안된 방법으로, 진화 알고리즘을 기반으로 증강 정책을 점진적으로 개선한다.
시험에서는 AutoAugment가 새로운 증강 기법을 만들어낸다고 오해하게 하는 진술이 자주 출제되므로, ‘기존 기법 조합 최적화’가 핵심이라는 점을 기억해야 한다.
또한 AutoAugment 계열 기법들은 이미지뿐 아니라 음성, 텍스트 데이터에도 적용된 사례가 있으므로 다양한 도메인 적용 가능성을 숙지해 두는 것이 좋다.