G検定 用語解説
データ拡張とは
反転や回転などの変換を加えて学習データを人工的に水増しし、データ量やバリエーションを増やす手法。データオーグメンテーションとも呼ぶ。
まず押さえる結論
データ拡張は、G検定の「大項目5 ディープラーニングの要素技術」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×CNN（画像・畳み込み/プーリング）とRNN（時系列・系列データ）の使い分け。
×LSTMとGRUのゲート数の混同（LSTM＝3ゲート＋記憶セル、GRU＝2ゲートに簡略化）。
×最適化手法の取り違え（モメンタム＝慣性、AdaGrad/RMSProp＝適応学習率、Adam＝両方）。GAN・VAE・拡散モデルの生成方式の違い。
関連する確認問題
大項目5 ディープラーニングの要素技術 / 最適化と汎化
大量データで事前に学習したモデルを別のタスクへ利用し、必要に応じて一部を追加学習して目的のタスクに合わせる考え方として最も近いものはどれか。
正解は「転移学習」である。転移学習は、あるタスクで得たモデルや表現を別のタスクに活用する考え方で、必要に応じてファインチューニングで調整する。データ拡張は訓練データを加工して増やす方法、ミニバッチ学習はデータを小分けにして更新する方法、エルボー法はクラスタ数などを検討する際に使われる。 学習資源の再利用対象を分ける。データ拡張は入力例を加工して増やし、ミニバッチ学習は更新単位を小分けにし、エルボー法はクラスタ数を選ぶ。事前学習済みの重み・表現を新タスクへ移す転移学習を選ぶ。
大項目5 ディープラーニングの要素技術 / 最適化と汎化
画像を回転・反転・切り抜きするなどして訓練データのバリエーションを増やし、汎化性能を高めるために使う方法はどれか。
正解は「データ拡張（データオーグメンテーション）」である。データ拡張は、画像の回転や反転などにより訓練データの見かけ上の多様性を増やし、汎化性能の向上を狙う方法である。ミニバッチ学習は小分けのデータで更新する方法、重みの初期化は学習開始時の設定、方策勾配法は強化学習の手法であり、データを加工して増やす方法ではない。 変更する対象がデータか学習規則かを確認する。ミニバッチは更新時のデータ単位、重み初期化は学習開始時の値、方策勾配法は強化学習の方策更新である。ラベルを保つ変換で画像例を増やすのはデータ拡張である。
同じ章で確認したい用語
到達チェック
- データ拡張を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、データ拡張に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）