【G検定過去問風テスト】データ拡張のトレンド「RandAugment」の特徴とメリット

2026年7月29日 2026年7月29日 atsushi_kitazawa

※本記事では、アフィリエイトプログラムより教材を紹介しています。

📝 問題

畳み込みニューラルネットワークなどの学習において用いられるデータ拡張手法の一つである「RandAugment」に関する説明として、最も適切な選択肢を1つ選べ。

A）透明度を変えて2つの異なる画像をピクセルレベルで重ね合わせ、正解ラベルの比率もブレンドして学習する手法である。
B）様々なデータ拡張手法の中から、どれを・どの強さで適用するかをあらかじめ決められた単純なルールに従って自動でランダムに選択・実行し、探索のための膨大な計算コストを劇的に削減した手法である。
C）画像の一部を四角形に切り抜いてもう片方の画像に貼り付け、切り取った面積の比率で正解ラベルを分配する手法である。
D）画像の一部分を正方形の領域で黒く塗りつぶし、物体が一部隠れた状態でも認識できるように訓練する手法である。

🔍 ここをクリックして正解を見る

正解: ○）B）様々なデータ拡張手法の中から、どれを・どの強さで適用するかをあらかじめ決められた単純なルールに従って自動でランダムに選択・実行し、探索のための膨大な計算コストを劇的に削減した手法である。

💡 合格に近づく！徹底解説

重要度: ★★★

■ 1分で分かる！この問題の要点

RandAugmentは、拡張手法の組み合わせや強さを探索するコストを劇的に削減した画期的な手法である。
従来法で見られた複雑な探索を省略し、単純なルールで自動選択する点が最大のポイント。

■ 初学者向け解説（例え話や背景）

料理に例えると分かりやすいです。これまでの自動拡張手法は、「どの調味料をどのくらい混ぜたら最高の味になるか」を何日もかけて厳密にテストして決めていたため、時間とコストが膨大にかかっていました。それに対し「RandAugment」は、「あらかじめ決まったルール（例えば数種類の調味料からランダムに選んで適当な強さで混ぜる）」にすることで、難しい調整をカットし、手軽かつスピーディに美味しい料理（＝多様な学習データ）を大量生産できるようにした仕組みです！