AutoAugmentなどの自動データ拡張は、小さなモデルとデータセットを使った代理タスクで変換の方針を探索し、その結果を大きなモデルの学習に使っていた。これに対するRandAugmentの特徴として、最も適切なものを1つ選べ。
正解と解説を見る
解説
正解 A
この問題の論点：RandAugmentの探索の工夫
ポイント
RandAugmentは調整の対象を変換の数と共通の強さの2つに絞り、代理タスクを使わずに対象のモデルとデータで直接調整できるようにしました。
選択肢ごとの解説
- A
適切 正解
探索空間がごく小さいため、別の代理タスクを用意せず、実際に学習させるモデルとデータで単純なグリッドサーチができます。モデルやデータの大きさに合わせて、拡張の強さを調整できる点が利点です。
- B
不適切
変換ごとに適用確率と強さを探索するのはAutoAugmentの方式で、探索に大きな計算コストがかかります。RandAugmentは変換を一様な確率でランダムに選び、強さも共通にして探索空間を大きく減らしました。
- C
不適切
RandAugmentの論文では、モデルが大きいほど強い拡張が適するなど、最適な強さはモデルや学習データの大きさで変わると示されました。小さな代理タスクで決めた強さを転用すると、このずれが生じます。
- D
不適切
RandAugmentは画像を新しく生成するのではなく、回転や明るさの変更など既存の変換を元の画像に加える手法です。GANで画像を生成して学習データを増やす方法は、別系統のデータ拡張です。
試験での狙われ方
AutoAugmentとの違いを、探索のしかたや調整するハイパーパラメータの数で区別させる形が考えられます。
関連用語
参考
- G検定 試験出題範囲（シラバス2024）第1.4版 （技術分野 項目25 データ拡張）
- Ekin D. Cubuk, Barret Zoph, Jonathon Shlens, Quoc V. Le, RandAugment: Practical automated data augmentation with a reduced search space (2019)
- Ekin D. Cubuk, Barret Zoph, Dandelion Mane, Vijay Vasudevan, Quoc V. Le, AutoAugment: Learning Augmentation Policies from Data (2018)