④ ディープラーニングの要素技術 ／ 25. データ拡張
noisingとは
noisingとは、入力データにランダムなノイズを付加し、外乱に強いモデルを学習させる手法です。画像認識や音声認識においてロバスト性の向上に有効です。
この用語はG検定シラバスの「25. データ拡張」に含まれます。 章全体の用語は用語解説④（全60語）にまとまっています。
一言でいうと
データにわざとノイズを混ぜて、乱れに強いモデルを作る手法です。
ノイズを加えた例
現実のデータは汚れている
実際に使われるデータには、カメラのノイズ、圧縮による劣化、音声なら環境音といった乱れが必ず含まれます。
きれいなデータだけで学習したモデルは、こうした乱れに弱くなります。あらかじめノイズを加えて学習させることで、多少乱れても正しく判断できるようになります。
関連する考え方
ノイズを加えた入力から元のきれいなデータを復元させるように学習するデノイジングオートエンコーダという手法もあります。
またドロップアウトも、ネットワーク内部にノイズを与えていると解釈でき、「乱れを与えて頑健にする」という点で同じ発想に立っています。
どれくらい加えるか
ノイズが強すぎると元の対象が判別できなくなり、学習の妨げになります。
弱すぎれば効果がありません。「意味が壊れない範囲で最大限に変える」というのが、データ拡張全体に共通する原則です。
🎯 G検定での押さえどころ
- 入力にランダムなノイズを付加する
- ロバスト性（外乱への強さ）が向上する
- 画像・音声の両方で用いられる
⚠️ よくある誤りの選択肢
- 「noisingは学習データを減らす手法である」→ 誤り。バリエーションを増やす手法です
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「データ集合の拡張」（E資格向け）
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。