Datenaugmentation: Trainingsdaten künstlich vermehren

Kurz: Bei der Datenaugmentation werden vorhandene Trainingsdaten leicht verändert (gedreht, beschnitten, verrauscht), damit das Modell robuster wird und weniger überanpasst.

Genauer: Gute KI braucht viele und vielfältige Daten. Sind sie knapp, erzeugt man aus jedem Beispiel mehrere veränderte Varianten, ohne dass sich die richtige Antwort ändert: Eine gespiegelte Katze bleibt eine Katze.

Im Detail

Bilder

Typische Veränderungen: Spiegeln, Drehen, Zuschneiden und Skalieren, Helligkeit/Kontrast/Farbton, Unschärfe und Rauschen, Verschieben, Cutout (zufällige Bereiche ausblenden), Mixup/CutMix (Bilder und Labels mischen). Bibliotheken: torchvision.transforms, Albumentations, Keras-Schichten. Wichtig: Nur plausible Veränderungen, eine Ziffer „6“ gedreht wird zur „9“.

Text und Audio

Text: Wörter durch Synonyme ersetzen, Sätze umstellen, Rückübersetzung (Deutsch → Englisch → Deutsch), zufälliges Löschen oder Vertauschen, Erzeugen von Varianten mit einem Sprachmodell. Audio: Tempo und Tonhöhe ändern, Hintergrundgeräusche mischen, SpecAugment (Zeit-/Frequenzbereiche maskieren).

Tabellen und synthetische Daten

Bei Tabellen ist es heikel; Methoden wie SMOTE erzeugen zusätzliche Beispiele seltener Klassen. Simulation und generative Modelle erzeugen synthetische Daten (zum Beispiel für Fahrzeuge in Gefahrensituationen). Prüfe, ob synthetische Daten die Wirklichkeit treffen und keine Verzerrungen verstärken. Bei personenbezogenen Daten kann Synthese helfen, ersetzt aber keine Datenschutzprüfung.

Praxis

Augmentiere nur das Trainingsset, nie Validierung und Test. Zufällige Veränderungen werden bei jeder Epoche neu gezogen, sodass das Modell nie zweimal exakt dasselbe sieht. Beobachte, ob die Validierung besser wird; zu starke Augmentation schadet. Sie ist ein günstiger Weg gegen Überanpassung, ersetzt aber echte, vielfältige Daten nicht.

Siehe auch: Regularisierung und Early Stopping, Faltungsnetze (CNN), Verzerrung, Fairness und Datenqualität, Training, Validierung und Test