Data Augmentation ist das Vervielfachen von Trainingsdaten durch kleine Veränderungen an vorhandenen Beispielen. Das Modell sieht dadurch mehr Fälle, ohne dass neue Daten erhoben werden mussten, und lernt, worauf es nicht ankommt.
- Data Augmentation (Datenaugmentierung)
Das Vervielfachen von Trainingsdaten durch kleine Veränderungen an vorhandenen Beispielen.
Beispiel: „Data Augmentation machte aus 2.000 Produktfotos 20.000 Trainingsbeispiele.“Bei Bildern: spiegeln, drehen, beschneiden, aufhellen, Rauschen hinzufügen. Bei Text: Wörter durch Synonyme ersetzen, Sätze umstellen, hin und zurück übersetzen. Bei Ton: Tempo und Lautstärke ändern, Störgeräusche unterlegen.
Abgrenzung zu den synthetischen Trainingsdaten: Dort entsteht Material neu. Hier wird vorhandenes abgewandelt, und die zugehörige Angabe bleibt dieselbe.
Warum es wirkt
Weil es dem Modell beibringt, Nebensächliches zu übergehen. Ein Stuhl bleibt ein Stuhl, auch gespiegelt und bei anderem Licht. Lernt ein Modell diese Gleichgültigkeit, verlässt es sich weniger auf Zufälligkeiten der Aufnahme, und der Abstand zwischen Trainings- und Testergebnis wird kleiner. Es ist damit eines der einfachsten Mittel gegen Overfitting.
Wo die Methode kippt
Wenn die Veränderung die Bedeutung ändert. Ein gespiegeltes Verkehrszeichen ist ein anderes Zeichen, ein gespiegelter Buchstabe kein Buchstabe, ein aufgehelltes Hautbild möglicherweise ein anderer Befund. Welche Veränderung erlaubt ist, hängt deshalb am Fach und nicht am Werkzeug; die Standardeinstellungen einer Bibliothek sind hier regelmäßig falsch.
Was es nicht ersetzt
Fehlende Fälle. Wer von einer Produktkategorie zehn Fotos hat und von einer anderen zehntausend, verschiebt dieses Verhältnis durch Abwandlung nicht wirklich: Zehn Fotos, hundertfach gedreht, bleiben zehn Motive. Gegen eine schiefe Datenlage hilft Erheben, nicht Vervielfältigen.
Wann es nichts mehr bringt
Bei großen Datenmengen. Je mehr echte Beispiele vorliegen, desto geringer der Zugewinn aus abgewandelten, und ab einer bestimmten Größe ist er nicht mehr messbar. Der Nutzen liegt deshalb dort, wo die Daten knapp sind: bei einigen hundert bis einigen tausend Beispielen, also genau in der Lage der meisten Projekte.
Zu beachten ist außerdem, dass abgewandelte Beispiele nur in den Trainingsteil gehören. Landen sie im Testteil, prüft man gegen Varianten dessen, was das Modell schon gesehen hat.