1 定義と目的
1.1 データ拡張の基本的な定義
データ拡張（データオーグメンテーション）とは、既存のデータセットに対して人為的な変換や加工を施すことで、新たな訓練サンプルを生成する手法である。元のデータのラベルや意味を保持しつつ、多様なバリエーションを作り出すことを目的とする。主に機械学習や深層学習のモデル訓練時に用いられ、データ空間のカバレッジを人工的に拡大する。
1.2 モデルの汎化性能向上への寄与
データ拡張は、訓練データに含まれない分布外の入力に対するモデルの適応能力を高める。例えば、画像のわずかな回転や照明変化に対して不変な特徴を学習させることで、テスト時の未知の環境変化に対する頑健性が向上する。結果として、同一のモデルアーキテクチャでも、拡張を行った場合の方が検証精度や実運用性能が有意に高まることが知られている。
1.3 過学習防止とデータ不足への対策
限られた訓練データではモデルが訓練データのノイズや特定パターンを記憶する過学習が発生しやすい。データ拡張はサンプル数を実質的に増やし、訓練データの多様性を高めることで、この過学習を抑制する。特に、医療画像や希少言語のテキストなど、収集やラベリングに多大なコストがかかる領域では、データ不足を補う有効な手段となる。
2 主要な手法
2.1 画像データにおける拡張手法
2.1.1 幾何学的変換（回転、反転、クロッピング）
画像の位置や姿勢を変更する手法。回転は一定角度の時計回り・反時計回りの回転を施す。反転は水平または垂直方向の鏡像変換。クロッピングは画像の一部分を切り取り、元のサイズにリサイズすることで、部分的な視点変化を模倣する。これらは物体の位置不変性や回転不変性を学習させるのに有効。
2.1.2 色空間変換と輝度調整
画像の画素値に対して輝度、コントラスト、彩度、色相などをランダムに変化させる。例えば、RGBチャンネルごとに明るさをずらす、グレースケール化、色相環上のシフトなどが含まれる。これにより、照明条件やカメラのホワイトバランスの違いに対するモデルの頑健性が向上する。
2.1.3 ノイズ付加とぼかし
ガウシアンノイズやソルトペッパーノイズを付加することで、センサノイズや圧縮劣化に対する耐性を高める。ガウシアンブラーやメディアンブラーを用いた平滑化処理は、細かいテクスチャの変化に依存しない特徴学習を促進する。これらの手法は過度に施すと画像の識別情報を損なうため、適切な強度設定が必要。
2.1.4 高度な合成手法（CutMix、MixUp）
CutMixは画像の一部矩形領域を別の画像で切り替え、ラベルも面積比で混合する手法。MixUpは二枚の画像を画素ごとに線形補間し、ラベルも対応する割合で混合する。これらは訓練中に線形な遷移を学習させ、モデルのキャリブレーションや敵対的攻撃に対する頑健性を向上させる。特に大規模画像分類タスクで効果が確認されている。
2.2 テキストデータにおける拡張手法
2.2.1 同義語置換と単語挿入
文中の単語を類義語（WordNetや学習済み埋め込みの近傍語）に置き換える方法。単語挿入はランダムな位置に同義語を追加する。これにより、元の文の意味を保持したまま語彙のバリエーションを増やす。ただし、文脈に依存した置換が難しい場合には、意味が変わらないように注意が必要。
2.2.2 バックトランスレーション
原文を別の言語（中間言語）に機械翻訳し、それを再度原文の言語に翻訳し直す手法。この過程で自然な言い換えが生成され、構文や表現の多様性が得られる。多言語対応の翻訳モデルを利用することで、高品質なデータ拡張が可能となる。
2.2.3 ランダム削除とノイズ注入
文中の単語をランダムに削除することで、欠損情報に対する頑健性を学習させる。また、スペルミスや文字レベルの置換（QWERTYキーボードの近隣キーへの置き換えなど）を意図的に加えるノイズ注入も行われる。これらは特にノイズの多い実データやタイプミスを含むテキストに対して有効。
2.3 音声データにおける拡張手法
2.3.1 時間伸縮とピッチシフト
音声信号の時間軸を伸縮（時間伸縮）させることで発話速度を変化させる。ピッチシフトは音程を上下にずらし、声の高さを変える。これらは話者の個人差や発話スタイルの変動に対するモデルの汎化を促進する。元のスペクトル特徴を保つため波形操作には注意を要する。
2.3.2 背景ノイズの追加
様々な環境ノイズ（街中、車内、会話雑音など）を元の音声に重畳する。信号対雑音比（SNR）を調整して、ノイズの強度を変化させる。実環境での音声認識性能を向上させるために必須の手法であり、ノイズ耐性を学習させる。
2.3.3 速度変更と音量調整
発話速度を変えずに音量をランダムに増減させることで、マイクと話者の距離の違いや録音機器の感度差に対応する。速度変更（時間伸縮と別に、全体の再生速度を変える操作）も行われ、話速の個人差を吸収する。
3 応用分野
3.1 コンピュータビジョン
3.1.1 物体検出とセグメンテーション
物体検出では、バウンディングボックスと共に画像を拡張する必要がある（例：回転に伴うボックス座標の再計算）。セグメンテーションではピクセル単位のマスクを同じ変換で変形する。幾何学的変換やCutMixなどが広く利用され、少ない訓練データでの検出精度向上に寄与する。
3.1.2 顔認識と医療画像解析
顔認識では、照明変化や表情、角度のバリエーションを拡張で模倣する。医療画像解析（X線、CT、MRI）では、撮影装置の差や患者の体位のばらつきを吸収するために、色調変換や弾性変形が用いられる。ただし、医療診断においてはラベル保存性が特に重要となる。
3.2 自然言語処理
3.2.1 文書分類と感情分析
同義語置換やバックトランスレーションによって訓練データのバリエーションを増やし、単語の選択に依存しない分類器を学習する。特に感情分析では、同じ意味を持つ表現の多様性を獲得することで、実データでの頑健性が向上する。
3.2.2 機械翻訳と質問応答
機械翻訳では、原文の言い換え（バックトランスレーション）による拡張が一般的。質問応答では、質問文の言い換えや、回答を含む文脈のノイズ注入などが行われる。これにより、未知の質問表現に対する応答性能が高まる。
3.3 音声認識と信号処理
3.3.1 音声コマンド認識
限られた数のコマンドに対して、時間伸縮、ピッチシフト、ノイズ追加を組み合わせて訓練データを拡張する。これにより、様々な話者や環境下でも安定した認識が可能となる。
3.3.2 話者識別と音声合成
話者識別では、同一話者の発話のバリエーションを拡張で増やすことで、話者不変特徴の学習を促進する。音声合成では、拡張によって得られる多様な韻律パターンを学習データに追加し、自然な合成音声を生成する。
4 課題と限界
4.1 ラベル保存性の問題
多くの拡張手法は、変換後のデータが元のラベルを保持することを前提とする。しかし、画像の極端な回転やテキストの同義語置換によって、本来の意味やクラスが変わってしまうリスクがある。例えば、数字の「6」を180度回転すると「9」に見える場合、ラベルの保存が破綻する。これを防ぐために、タスクに応じた適切な拡張範囲を設定する必要がある。
4.2 過剰拡張による品質低下
拡張の強度が強すぎると、データとしての品質が低下し、モデルがノイズを学習してしまう。画像では過度なぼかしや色変化で物体が識別不能になる。テキストでは意味が通じない文が生成される。適切な強度の調整（hyperparameter tuning）が不可欠であり、しばしばバリデーションセットを用いた検証が必要となる。
4.3 ドメイン依存性と適切な手法選択
データ拡張の効果はドメインやタスクに大きく依存する。例えば、文書分類ではバックトランスレーションが有効でも、固有表現認識では逆に性能を下げる場合がある。また、医療画像では解剖学的に不自然な変形を避ける必要がある。そのため、各ドメインの特性を理解し、適切な拡張手法を選択・組み合わせることが重要である。
5 発展的トピック
5.1 自動データ拡張（AutoAugment、RandAugment）
AutoAugmentは、強化学習を用いて最適な拡張ポリシー（どの変換をどの順序・強度で適用するか）を自動探索する手法。RandAugmentは、拡張操作の種類と強度をランダムに選択する簡略化手法であり、計算コストが低く、多くのタスクでAutoAugmentと同等の性能を示す。これらの自動化技術は、人手による試行錯誤を減らす。
5.2 生成的モデルによるデータ拡張（GAN、VAE）
生成的敵対ネットワーク（GAN）や変分オートエンコーダ（VAE）を用いて、訓練データ分布に似た新しいサンプルを生成する手法。実在しないが統計的に妥当な画像やテキストを生成できる。特に、データが極端に少ない領域（希少疾患の医療画像など）で有効だが、生成品質の制御や多様性の確保が課題。
5.3 テスト時拡張（Test-Time Augmentation）
推論時に同一入力に対して複数の拡張を施し、各結果を平均（または投票）して最終予測とする手法。これにより、モデルの予測の安定性と精度が向上する。特に画像分類やセグメンテーションでよく用いられる。計算コストは増えるが、ラベルなしのデータ拡張として有効。