데이터 증강(Data Augmentation) 기법 모아보기

데이터 증강(Data Augmentation) 기법 모아보기

포스트 요약: 이미지, 텍스트, 오디오 도메인에서 모델의 일반화 성능을 향상시키는 다양한 데이터 증강 기법을 이론 배경, 수식 설명, 구현 예시, 장단점 비교 표까지 자세히 소개합니다.

---

1. 서론

데이터 증강은 학습용 데이터에 인위적인 변형을 가해 데이터셋의 크기와 다양성을 증가시키는 기법입니다.^[1] 이는 과적합을 완화하고 모델의 일반화 성능을 크게 향상시키며, 특히 데이터가 제한적일 때 필수적입니다.

---

2. 이미지 증강 기법

2.1 기본 기법

• 회전(Rotation), 수평/수직 뒤집기(Flip), 크롭(Crop)
• 컬러 조정(Color Jitter): 밝기(brightness), 대비(contrast), 채도(saturation) 변화
• 노이즈 추가(Noise Injection): 가우시안 노이즈 등

from torchvision import transforms

img_transforms = transforms.Compose([
    transforms.RandomResizedCrop(224),
    transforms.RandomHorizontalFlip(p=0.5),
    transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2),
    transforms.ToTensor()
])

2.2 MixUp

두 샘플을 선형 결합하는 기법으로, 라벨도 함께 혼합합니다:
\[ \tilde{x} = \lambda x_i + (1-\lambda)x_j,\quad \tilde{y} = \lambda y_i + (1-\lambda)y_j \] 여기서 \(\lambda \sim \mathrm{Beta}(\alpha, \alpha)\)입니다.^[2]

import torch

def mixup(x, y, alpha=1.0):
    lam = torch.distributions.Beta(alpha, alpha).sample().item()
    idx = torch.randperm(x.size(0))
    x2, y2 = x[idx], y[idx]
    x_mix = lam * x + (1 - lam) * x2
    y_mix = lam * y + (1 - lam) * y2
    return x_mix, y_mix

2.3 CutMix

이미지의 일부분을 잘라 다른 이미지로 교체하고 라벨을 비율에 맞춰 혼합합니다.^[3]

import numpy as np

def cutmix(x, y, alpha=1.0):
    lam = np.random.beta(alpha, alpha)
    bbx1, bby1, bbx2, bby2 = rand_bbox(x.size(), lam)
    x2 = x[torch.randperm(x.size(0))]
    x[:, :, bbx1:bbx2, bby1:bby2] = x2[:, :, bbx1:bbx2, bby1:bby2]
    lam = 1 - ((bbx2 - bbx1)*(bby2 - bby1) / (x.size(-1)*x.size(-2)))
    y_mix = lam * y + (1 - lam) * y[torch.randperm(x.size(0))]
    return x, y_mix

---

3. 텍스트 증강 기법

• Synonym Replacement: 단어를 유의어로 교체
• Random Insertion/Deletion/Swap
• Back‑Translation: 문장을 다른 언어로 번역 후 원문으로 재번역

import nlpaug.augmenter.word as naw

aug = naw.SynonymAug(aug_src='wordnet')
text = "The quick brown fox jumps over the lazy dog."
aug_text = aug.augment(text)
print(aug_text)

---

4. 오디오 증강 기법

• 시간 이동(Time Shift), 속도/피치 변경(Pitch/Speed)
• 배경 잡음 추가(Background Noise)
• Time/Frequency Masking(SpecAugment)

import torchaudio
from torchaudio import transforms

waveform, sr = torchaudio.load('sample.wav')
aug = transforms.FrequencyMasking(freq_mask_param=15)
wave_aug = aug(waveform)

---

5. 증강 전략 비교

기법	도메인	장점	단점
Geometric Transforms	이미지	간단, 효과적	기울기 민감…
MixUp / CutMix	이미지	라벨 스무딩, regularization	시각적 의미 손실
Synonym Replacement	텍스트	쉬운 구현	의미 왜곡 가능
Back‑Translation	텍스트	다양한 문장 구조 생성	시간/자원 소모
SpecAugment	오디오	강력한 일반화	초기 파라미터 튜닝 필요

---

6. 활용 팁 & 주의사항

• 배치 정규화, Dropout 등 정규화 기법과 함께 사용 시 효과 상호작용 실험
• 학습 곡선 관찰: 과도한 증강은 학습 지연 유발
• 도메인 특화 증강(의료 이미지, 법률 텍스트 등) 연구

---

결론 및 다음 단계

데이터 증강은 모델의 일반화 성능을 높이는 핵심 기법입니다. 여러 기법을 조합해 실험하고, 도메인 특성에 맞는 적절한 증강 파이프라인을 구축하세요.

1. 증강 강도 및 순서(hyper-parameters) 최적화
2. AutoAugment, RandAugment 등의 자동화 도구 적용
3. 증강된 데이터와 원본 데이터의 분포 분석

참고 문헌

1. Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal of Big Data.
2. Zhang, H., et al. (2018). mixup: Beyond Empirical Risk Minimization. ICLR.
3. Yun, S., et al. (2019). CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features. ICCV.