RandAugment 是一种自动数据增强技术，旨在提高机器学习模型的性能，尤其是在计算机视觉任务中。 它简化了将随机转换应用于训练图像的过程，通过让模型接触更广泛的数据变体，帮助模型更好地泛化。 与需要复杂调整增强策略的旧方法不同，RandAugment 将搜索空间减少到两个超参数，从而更容易在数据集中实现和扩展。
该方法的工作原理是从预定义的图像处理操作列表中随机选择固定数量的转换（表示为 N），例如旋转、剪切或颜色调整。 每个转换都应用统一的强度（M），该强度控制效果的大小（例如，图像旋转多少）。 例如，如果 N=2 且 M=9，则 RandAugment 可能会应用 30 度旋转（按 M 缩放），然后进行颜色反转。 关键的创新之处在于，转换的选择及其顺序对于每个图像都是随机的，从而确保多样性，而无需手工制作策略。 开发人员通常定义一个包含 10-20 个基本操作的列表（例如，翻转、调整亮度、添加噪声），系统会在训练期间随机处理其余操作。
RandAugment 的优势在于其简单性和效率。 像 AutoAugment 这样的早期方法使用强化学习来寻找最佳策略，这在计算上很昂贵。 RandAugment 通过依赖随机性和共享幅度值来消除这种开销，同时仍然实现可比或更好的结果。 例如，在实际实现中，开发人员可能会为数据集设置 N=3 和 M=12，从而产生诸如剪切 + 太阳化 + 对比度调整之类的组合。 这种方法降低了过度拟合固定增强序列的风险，并且可以在没有特定于数据集的调整的情况下很好地完成任务。 通过专注于最少的超参数并利用随机性，RandAugment 提供了一种灵活、低维护的解决方案，用于增强模型的鲁棒性。