數據增強

數據增強（英語：Data augmentation）是一種統計技術，允許從不完整數據中進行最大似然估計^[1][2]。數據增強在貝葉斯推斷中有重要應用^[3]，並且在機器學習中廣泛使用，通過訓練模型使用已有數據的幾個略微修改的副本在訓練機器學習模型時減少過適^[4]。

圖像分類中的數據增強

在20世紀90年代中期，當卷積神經網絡變得更加複雜時，數據量不足成為一個問題，特別是考慮到需要留出一部分數據用於後續測試。為了解決這個問題，有研究提議使用仿射變換擾動現有數據，以創建帶有相同標籤的新示例^[5]。隨後，2003年引入了所謂的彈性失真（英語：Elastic deformation）^[6]，到了2010年代，這些技術被廣泛採用^[7]。數據增強可以提升卷積神經網絡的性能，並且作為對抗卷積神經網絡分析攻擊的一種對策^[8]。

數據增強在圖像分類中已成為一種基礎工具，用來豐富訓練數據集的多樣性，以提升模型的泛化能力和性能。幾何變換、顏色空間調整和噪聲注入等是數據增強在圖像分類中的常用工具^[9]。

參見

• 數據分析中的過採樣和欠採樣（英語：Oversampling and undersampling in data analysis）
• 生成對抗網絡
• 變分自編碼器
• 卷積神經網絡
• 正則化 (數學)