iPAS 考題解析某企業在訓練生成式AI模型時，導入資料增強（Data Augmentation）技術以擴充訓練資料，但觀察到模型效能反而下降。下列哪一項最可能的原因與對應改善策略最為正確？

解析

正確答案：B. 增強後資料的特徵分佈與原始資料不一致，影響模型的泛化能力，應檢查並調整增強策略以維持語意一致性

若資料增強策略（如文本替換或影像變換）改變了樣本的語意或特徵分佈，增強後的資料可能引入噪聲或誤導性模式，使模型學習到錯誤的特徵，反而降低效能。解決方案是確保增強後的樣本仍保持語意一致性。

每個選項為什麼對或錯

• A 增強樣本未經隨機初始化，導致模型梯度更新不穩定，應重新設計訓練啟動流程 錯誤選項

  梯度更新與隨機初始化有關，但資料增強造成效能下降的根本原因通常不在此。

• B 增強後資料的特徵分佈與原始資料不一致，影響模型的泛化能力，應檢查並調整增強策略以維持語意一致性 正解

  增強資料分佈偏離原始資料分佈是效能下降的最常見原因，調整增強策略維持語意一致性是正確對策。

• C 增強樣本的比例過高，造成模型對特定資料產生偏好，應適度提高增強比例並調整學習率 錯誤選項

  提高增強比例通常會加重問題，而非改善。

• D 增強後資料的標註可信度下降，導致訓練訊號偏差，應以半監督學習方式重新校正資料 錯誤選項

  標註問題是另一類問題，且半監督學習不是直接解決增強策略不當的方法。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。