問題 No.1283
画像認識モデルを構築する際、手元にある訓練データが少ない状態で無理に学習を進めると、モデルが訓練データ特有の細かなノイズまで丸暗記してしまい、未知のデータに対応できなくなる。この現象を回避するため、学習時に元の画像に対してランダムな平行移動、回転、色調変更などの加工を施し、擬似的にデータの多様性を増やす前処理手法を何と呼ぶか。
【正解の解説】
データオーグメンテーション
データオーグメンテーション（Data Augmentation / データ拡張）は、手元にある限られた画像データに対して回転、反転、拡大縮小、色調補正などをランダムに適用し、擬似的に学習データの量を増やす技術です。モデルが特定の位置や色味に固執する過学習を効果的に防ぎます。
スポンサーリンク
【その他の選択肢の解説】
データクレンジング
データクレンジング（Data Cleansing）は、データベース内の重複データや誤記、欠損値、外れ値などを検出して修正・削除するデータ品質向上プロセスです。画像加工によって擬似的にサンプル数を増やすデータ拡張処理とは異なります。
ドロップアウト
ドロップアウト（Dropout）は、ニューラルネットワークの訓練中にランダムにニューロンを間引くことでモデルの過度な相互依存（共適応）を防ぐ正則化手法です。入力画像そのものに幾何学的変化や色調変更を加えてデータを水増しする手法ではありません。
アンサンブル学習
アンサンブル学習（Ensemble Learning）は、バギングやブースティングのように複数の学習モデルを並列または直列に構築し、その予測を統合して汎化性能を高める手法です。画像データに対して回転やノイズ付加を行ってバリエーションを増やす技術ではありません。