Augmentation de donnée
méthode de l’apprentissage automatique dans le domaine informatique
From Wikipedia, the free encyclopedia
L'augmentation de donnée est un domaine de l'apprentissage automatique qui permet de diminuer les inconvénients lié au manque de données ou à la répartition inégale de classes dans le cas de l'apprentissage supervisé[1], à savoir une mauvaise performance du modèle ou bien un surapprentissage ou l’introduction de biais[2].
Cet article est orphelin. Moins de trois articles lui sont liés ().
Principe
Le but de l'augmentation de donnée est d'augmenter de manière automatique la taille du jeu de donnée en utilisant différentes méthodes qui permettent de créer de nouvelles instance à partir des données originiales[2].
Méthodes
Dans le domaine de la vision par ordinateur
En vision par ordinateur, afin de créer de nouvelles données, il suffit de transformer une des images faisant partie de notre jeu de donnée en utilisant des méthodes du domaine du traitement de l'image.
Transformation géométrique
En utilisant les méthodes de traitement de l'image, il est possible de modifier l'image en faisant par exemple un zoom, une rotation ou bien une inversion de l'image[3],[4],[5].
Transformation par précision
Dans cette méthode, on créer une nouvelle image à partir de l'ancienne en augmentant ou bien en diminuant la résolution de l'image originale[6],[4].
Transformation par effacement
Cette méthode consiste à créer une nouvelle image en enlevant directement certains pixels[7],[5].
Substitution des pixels
Cette méthode utilise une base de connaissance afin de modifier les pixels d'une image tout en conservant le sens principal de l'image[8],[5].
Transformation basée morphing
En utilisant des techniques de morphing, il est possible de générer des images ou formes intermédiaires entre deux objets appartenant à la même classe, créant ainsi de nouvelles instances réalistes ayant subi des transformations non linéaires [9],[10].
Génération d'image
Avec l'arrivée de l'intelligence artificielle générative en image avec par exemple DALL-E ou bien midjourney, une nouvelle méthode consiste à utiliser cette intelligence artificielle pour générer de nouvelles images à partir d'un script pour obtenir plus de données[11].
Dans le domaine du traitement automatique des langues
En traitement automatique des langues, afin de créer de nouvelles données, il existe de nombreuses méthodes permettant d'augmenter le jeu de données.
Suppression aléatoire
La suppression aléatoire consiste à enlever de manière aléatoire des lettres dans un mot ou bien des mots dans une phrase afin de créer un nouveau texte[7],[1].
| Donnée initiale | Le jeune chien sort dans le parc |
|---|---|
| Donnée augmentée | Le june chien dans le prc |
Insertion aléatoire
L'insertion aléatoire consiste à ajouter de manière aléatoire des lettres dans un mot ou bien des mots dans une phrase afin de créer un nouveau texte[7],[1].
| Donnée initiale | Le jeune chien sort dans le parc |
|---|---|
| Donnée augmentée | Le jeuyne chiegn sort maison dans fromage le parc |
Remplacement aléatoire
Le remplacement aléatoire consiste à remplacer de manière aléatoire des lettres dans un mot ou bien des mots dans une phrase afin de créer un nouveau texte[7],[1].
| Donnée initiale | Le jeune chien sort dans le parc |
|---|---|
| Donnée augmentée | La jyune chfen sort dans le porc |
Le remplacement par synonyme
Cette méthode fonctionne de la même manière que le remplacement aléatoire. Cependant, dans ce cas, au lieu de remplacer les mots par des mots aléatoire, on utilise un modèle de langage afin de savoir quel mot est, dans le contexte de la phrase, le synonyme du mot à remplacer afin de pouvoir générer un nouveau texte qui garde le même sens que le texte initial[1],[7].
| Donnée initiale | Le jeune chien sort dans le parc |
|---|---|
| Donnée augmentée | Le jeune chat sort dans le jardin |
L'insertion par synonyme
Cette méthode fonctionne de la même manière que l'insertion aléatoire. Cependant, dans ce cas, au lieu d'insérer des mots de manière aléatoire, on utilise un modèle de langage afin de savoir quel mot est, dans le contexte de la phrase, le mot le plus logique à insérer[12].
| Donnée initiale | Le jeune chien sort dans le parc |
|---|---|
| Donnée augmentée | Le jeune chien brun sort dans le joli parc |
L'échange
Cette méthode consiste à échanger la position de différents mots dans la phrase afin de créer un nouveau texte.
| Donnée initiale | Le jeune chien sort dans le parc |
|---|---|
| Donnée augmentée | Le jeune parc sort dans le chien |
La traduction inversée
Dans cette méthode, pour générer un nouveau texte, on traduit le texte orignial dans une autre langue comme par exemple, le chinois puis on traduit à le texte obtenu dans la langue originale[13],[7].
| Donnée initiale | Le jeune chien sort dans le parc |
|---|---|
| Donnée intermédiaire | 小狗在公园里出去 |
| Donnée augmentée | Chiot dans le parc |
La génération de données
Avec l'arrivée de l'intelligence artificielle générative en image avec par exemple ChatGPT, une nouvelle méthode consiste à utiliser cette intelligence artificielle générer de nouvelles images à partir d'un script pour obtenir plus de données[14].
Dans le domaine des séries temporelles
Dans le domaine des séries temporelles les méthodes existantes sont plus mathématique. Par exemple il est possible de créer de nouvelles séries temporelles par interpolation[15].
Limites
Bien que l'augmentation de donnée soit une méthode pratique pour résoudre les problèmes des petits jeux de données, certaines limites ont été recensées. En traitement de l'image, en dehors de la génération d'image, les autres méthode ne rajouentant pas de nouvelles informations et peuvent si elles sont mal utilisés, créer un biais algorithmique[5].
En traitement automatique des langues, il existe aussi ce problème du manque de nouvelles informations. De plus, l'ajout de nouveau mot peut amener à un changement sémantique de la phrase qui peut perdre le sens compréhensible par un humain mais également parasiter le jeu de donnée[16].
