最終更新日：2026年7月14日
gk cnn cheatsheet
G検定トップ
＞ 画像データ拡張の比較【G検定】
まず結論
- AutoAugment／RandAugment／TrivialAugment の違いは「最適化するか・指定するパラメータ数」だけである。
- G検定では「探索する？ランダム？1回だけ？」で即切る。
直感的な説明
3つは「画像をどう拡張するか」を決める考え方の違いです。
- AutoAugment
👉 一番よくなる拡張方法を「探す」 - RandAugment
👉 強めの拡張を「ランダムに振る」 - TrivialAugment
👉 1つだけ「ランダムにかける」
つまり、
考える → Auto
振る → Rand
1発 → Trivial
です。
定義・仕組み
AutoAugment
- 拡張操作の 種類・順序・強度 を自動探索
- 強化学習・探索アルゴリズムを使用
- データセットごとに最適なポリシーを学習
特徴：
- メタ学習的
- 高性能だが計算コスト大
RandAugment
- 事前定義された拡張セットを使用
- 指定するのは 回数（N）と強度（M）だけ
- 拡張の種類や順序はランダム
特徴：
- シンプル
- パラメータが少ない
- 最適化はしない
TrivialAugment
- 事前定義された拡張セットから
- 1つの操作をランダムに1回だけ適用
- 強度もランダム
特徴：
- 最小構成
- 実装が非常に簡単
いつ使う？（得意・不得意）
AutoAugmentが向く場面
- 計算資源が豊富
- 最高性能を狙いたい
RandAugmentが向く場面
- 実務・研究のバランス
- 再現性と性能を両立したい
TrivialAugmentが向く場面
- ベースライン
- 実装コストを最小にしたい
G検定ひっかけポイント（最重要）
よくある誤解
- ❌「全部ランダムだから同じ」
- ❌「RandAugmentは最適化する」
- ❌「正規化手法である」
正しい判断基準
- 拡張方法を探索 → AutoAugment
- 回数と強度だけ指定 → RandAugment
- 1回だけ適用 → TrivialAugment
完全比較表（これだけ見ればOK）
| 項目 | AutoAugment | RandAugment | TrivialAugment |
|---|---|---|---|
| 拡張の選び方 | 探索・最適化 | ランダム | ランダム |
| 最適化 | する | しない | しない |
| 指定パラメータ | 多い | 回数N・強度M | なし |
| 適用回数 | 複数 | 複数 | 1回 |
| 計算コスト | 高い | 低い | 非常に低い |
| G検定キーワード | 自動探索 | 強度と回数 | 1つだけ |
まとめ（試験直前用）
- AutoAugment：拡張を探す
- RandAugment：強く振る
- TrivialAugment：1発だけ
- 最適化するのはAutoだけ
- 「探索／ランダム／1回」で切る