【E資格】データ集合の拡張を徹底解説｜画像・自然言語・音声のデータ拡張とMixUp

データ拡張（Data Augmentation）は、手元の訓練データに変換を加えて疑似的にデータ量を増やし、過剰適合を防いで汎化性能を高める技術です。画像・自然言語・音声それぞれの代表的な手法を整理します。

📖 概要

深層学習モデルは大量の訓練データを必要としますが、実務でデータを十分に集めるのは容易ではありません。データ集合の拡張（データ拡張）は、既存の訓練データに「ラベルの意味を変えない範囲の変換」を施して多様なサンプルを生成し、モデルが本質的でない特徴（写り方や位置など）に過剰適合するのを防ぐ、正則化としても機能するテクニックです。

拡張の方法はデータの種類（モダリティ）ごとに異なります。画像では反転・切り抜き・明るさ変更などの幾何学的・画素的変換が中心で、複数の変換を自動的に組み合わせるRandAugmentや、2つのサンプルを混ぜるMixUpも広く使われます。自然言語では単語の置換・挿入・削除などを行うEDAが代表的です。音声ではノイズ付与やピッチシフト、スペクトログラム上でマスクするSpecAugmentなどがあります。

🔍 キーワード解説

画像のデータ拡張

画像に対する基本的な拡張には、まずノイズ付与（ガウシアンノイズなどを画素に加える）があります。加えて、ランダムに変換を適用する一連の手法が代表的です。Random Flipは画像を左右（場合により上下）にランダム反転する手法、Random Eraseは画像内の矩形領域をランダムに選んで塗りつぶす手法（隠れた物体への頑健性を高める）、Random Cropは画像の一部をランダムに切り抜いて使う手法、Random ContrastとRandom Brightnessはコントラストや明るさをランダムに変化させる手法、Random Rotateは画像をランダムな角度で回転させる手法です。いずれも「ラベルが変わらない範囲」で適用することが前提で、たとえば数字の6と9のように、反転や回転でラベルの意味が変わるタスクには不適切な場合があります。

RandAugmentは、多数の拡張操作の候補から適用する操作をランダムに選ぶ自動データ拡張手法です。適用する操作の数と変換の強度という少数のハイパーパラメータだけで拡張方策を決められるため、拡張の組み合わせを大規模に探索する従来の自動拡張手法に比べ、探索コストを大きく削減できます。

MixUpは、2つのサンプルの入力とラベルをそれぞれ同じ比率で線形補間（混合）して新しい訓練サンプルを作る手法です。たとえば犬の画像0.7と猫の画像0.3を画素レベルで混ぜ、ラベルも(犬0.7, 猫0.3)とします。決定境界を滑らかにする効果があり、画像以外のモダリティにも適用できます。

自然言語のデータ拡張

EDA（Easy Data Augmentation）は、テキスト分類向けの簡便なデータ拡張手法群で、同義語置換・ランダム挿入・ランダム交換・ランダム削除という4種類の操作から成ります。文の意味を大きく変えない範囲で単語レベルの変換を加え、少量データでの性能向上が報告されています。またMixUpの考え方をテキストに応用し、単語埋め込みや文の特徴ベクトルのレベルで2文を混合する方法も研究されています。

音声のデータ拡張(出題対象外)

音声でもノイズ付与（背景雑音の重畳）、ボリューム変更（音量のランダムな増減）、ピッチシフト（音の高さを変える変換）といった波形レベルの拡張が使われます。MixUpも2つの音声を混合する形で適用できます。SpecAugmentは音声認識向けの手法で、波形ではなくスペクトログラム（時間×周波数の表現）に対し、時間方向のマスク・周波数方向のマスク・時間軸の歪みを加える拡張です。音声認識の精度向上に広く使われています。

📝 試験でのポイント

📚 まとめ

データ集合の拡張は、ラベルを保つ変換でデータを増やし汎化性能を高める技術です。画像ではRandom系の変換・RandAugment・MixUp、自然言語ではEDA、音声ではノイズ付与・ピッチシフト・SpecAugmentなどが代表です。手法とモダリティ、そしてMixUpの「入力もラベルも混ぜる」仕組みを確実に押さえましょう。