TopAIToolsTopAITools

Glossary

0-9
1-shot learning2-stage detector3D convolution4D data5G + AI6DoF pose estimation7D representation8-bit quantization9-layer network0-shot learning
A
AlgorithmAutoencoderArtificial Intelligence (AI)AttentionAGI / Artificial General Intelligence
B
Batch NormalizationBoostingBackpropagationBiasBERT
C
Classifier / ClassificationChatbotCross-ValidationClusteringCNN / Convolutional Neural Network
D
Deterministic ModelData AugmentationDeep LearningDiscriminative ModelDeepfake
E
Explainable AI (XAI)Ensemble LearningEncoderEmbeddingEpoch
F
Foundation ModelFine-tuningForward PropagationFeature ExtractionFusion / Multimodal Fusion
G
Gradient DescentGraph Neural Network (GNN)Generative AIGAN / Generative Adversarial NetworkGrounding
H
Hierarchical ModelHidden LayerHyperparameterHallucinationHeuristic
I
Imbalanced DataInstance / SampleIntelligence Amplification / AugmentationInterpretabilityInstruction tuning
J
JuxtapositionJoint EmbeddingJitteringJAXJSONL / JSON-lines
K
Knowledge DistillationKernel TrickK-means ClusteringK-Shot LearningKL Divergence (Kullback–Leibler Divergence)
L
Large Language Model (LLM)Loss FunctionLatent VariableLearning RateLSTM / Long Short-Term Memory
M
Machine Learning (ML)Multimodal / MultimodalityMulti-head AttentionMeta-learningModel
N
Novelty Detection / Anomaly DetectionNeural NetworkNormalizationNLP / Natural Language ProcessingNLU / Natural Language Understanding
O
Objective FunctionOverfittingOnline LearningOptimizerOne-hot Encoding
P
ParameterPolicy / Reinforcement Learning PolicyPromptPretrainingPooling
Q
QuantizationQueryQueue / BufferQuality EstimationQ-learning
R
Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)RegularizationRepresentation LearningRNN / Recurrent Neural Network
S
Supervised LearningSamplingSequence ModelingSelf-Supervised LearningSoftmax
T
Transfer LearningTokenizerTuning / Hyperparameter TuningTransformerTraining Data
U
Uncertainty EstimationUnsupervised LearningUnderfittingUniversal Approximation TheoremU-Net
V
Validation SetVector EmbeddingVariational Autoencoder (VAE)Vanishing / Exploding GradientVision Transformer (ViT)
W
Whitening / Whitening TransformationWeak SupervisionWord EmbeddingWorkflowWeight Decay
X
X-axis / feature axisXAI / Explainable AIXLMXLNetXOR problem
Y
Yield (model yield / throughput)Yoga of AIY-transform / YUVY-axis / feature axisYAGNI (You Aren't Gonna Need It)
Z
Zero-gradient phenomenonZero-centric / Zero-bias initializationZero-shot Learning / Zero-shot inferenceZygosity in augmentationZ-score Normalization

데이터 증가란 무엇인가

데이터 증가는 훈련 데이터 세트의 다양성을 늘리기 위해 사용되는 기법으로, 특히 머신러닝 및 딥러닝 분야에서 중요합니다. 기존 샘플에 회전, 스케일링, 자르기 및 노이즈 추가와 같은 변환을 적용하여 새로운 샘플을 생성함으로써 모델의 일반화 능력을 향상시키고 과적합을 줄입니다.


데이터 증가의 중요성은 여러 측면에서 나타납니다. 데이터가 부족한 경우, 효과적으로 데이터 양을 증가시켜 모델 훈련의 효과를 높일 수 있습니다. 또한, 다양성을 도입함으로써 증가된 샘플이 모델이 중요한 특징을 더 잘 학습하도록 도와줍니다.


작동 방식 측면에서 데이터 증가 기술은 기하학적 변환, 색상 변환 및 노이즈 주입과 같은 여러 유형으로 분류될 수 있습니다. 기하학적 변환은 이미지의 관점을 변경하고, 색상 변환은 밝기 및 대비를 조정하여 이미지의 색상 분포를 변경하며, 노이즈 주입은 이미지에 무작위 노이즈를 추가하여 모델의 불완전한 데이터에 대한 강인성을 향상시킵니다.


전형적인 응용 분야는 이미지 인식, 자연어 처리 및 오디오 분석에 포함됩니다. 예를 들어, 이미지 인식에서는 이미지를 회전하고 자름으로써 더 많은 훈련 샘플을 생성하여 분류 모델의 정확성을 향상시킬 수 있습니다. 자연어 처리에서는 동의어 교체 및 문장 재구성 등을 통해 텍스트 데이터 증가를 수행할 수 있습니다.


미래의 데이터 증가 트렌드는 GAN(Generative Adversarial Networks)과 같은 기술을 사용하여 고품질의 증가 샘플을 생성하는 방향으로 나아갈 가능성이 높습니다. 또한, 자가 감독 학습의 발전에 따라 데이터 증가는 비지도 학습 방법과 더욱 밀접하게 결합될 것입니다.


모델 성능 향상에 있어 데이터 증가는 상당한 장점이 있지만, 몇 가지 단점도 존재합니다. 부적절한 증가가 잘못된 샘플을 도입하여 모델 성능을 저하시킬 수 있습니다. 또한, 과도한 데이터 증가는 모델이 불필요한 특징을 학습하게 하여 실제 데이터에서 성능에 악영향을 미칠 수 있습니다. 따라서 데이터 증가를 사용할 때는 적절한 증가 전략을 신중하게 선택하고 적절한 평가를 수행해야 합니다.