데이터 확장이란? 모델의 일반화 성능을 높이기 위한 설계 기법
머신러닝과 딥러닝의 실무에서는 모델 구조를 더 정교하게 만들거나, 학습률과 배치 크기, 옵티마이저 설정 같은 학습 조건을 세밀하게 조정하는 일에 관심이 집중되기 쉽습니다. 그러나 실제 프로젝트를 길게 운영해 보면, 최종 성능을 크게 좌우하는 것은 모델 구조 자체만이 아니라, 어떤 데이터를 어떤 방식으로 학습에 투입하느냐인 경우가 매우 많습니다. 특히 학습 데이터의 양이 충분하지 않거나, 정답 라벨을 붙이는 비용이 높거나, 실제 운영 환경에서 입력 조건이 크게 흔들리는 상황에서는, 모델 쪽 설계를 아무리 고도화해도 데이터 표현력이 부족하면 성능 향상에 분명한 한계가 생깁니다. 즉, 모델의 일반화 성능을 이야기할 때는 모델 본체만 따로 보는 것이 아니라, 학습 데이터가 현실의 변동성과 복잡성을 얼마나 잘 반영하고 있는지도 함께 살펴봐야 합니다.
EN
JP
KR


