Day 3 - Data Augmentation and Synthesis: Addressing Insufficient and Imbalanced Data

📌 핵심 정리

• 증강(augmentation) = 기존 데이터를 변형해 다양화. 대원칙은 "레이블이 바뀌지 않는 변형만".
• 합성(synthesis) = 없던 데이터를 새로 생성(GAN, 시뮬레이션, 합성 정형 데이터). 프라이버시·희소 데이터 대응.
• 합성 데이터의 최대 위험은 분포 갭(distribution gap). 보완용으로 쓰고 검증은 반드시 실데이터로.
• 불균형 대응은 3층 — 데이터 층(오버/언더샘플링, SMOTE), 알고리즘 층(클래스 가중치, 임계값), 평가 층(accuracy 금지, recall·F1·PR-AUC).
• SMOTE는 단순 복제와 다르다. 소수 샘플과 최근접 이웃 사이를 보간해 새 점을 만든다.

왜 이 문제가 생기나

좋은 모델을 만들려면 충분하고 균형 잡힌 데이터가 필요하지만 현실은 다르다. 희귀 질환 진단 데이터는 양성 표본이 극히 적고, 사기 거래는 전체의 0.1%이며, 어떤 이미지 클래스는 몇 장뿐이다. 그대로 두면 모델은 다수 클래스만 잘 맞히고 정작 중요한 소수 클래스를 놓친다.

MLS-C01은 코드 구현보다 "어떤 상황에 어떤 기법이 적절한가"를 묻는다.