En el aprendizaje auto-supervisado con aumento de datos se generan versiones artificialmente modificadas de los datos de entrada para entrenar un modelo que aprenda representaciones robustas.
Los aumentos típicos son transformaciones de imagen como rotación, escalado, recorte o cambios de color.
El modelo se entrena para generar representaciones similares para diferentes aumentos de un mismo original, mientras aprende las diferencias con otros datos.
Esto conduce a una mejor generalización, ya que el modelo aprende a extraer características esenciales que son invariantes frente a los aumentos.
Estos métodos son la base de muchos enfoques modernos de aprendizaje auto-supervisado en el procesamiento de imágenes y lenguaje.