Dans l'apprentissage auto-supervisé avec augmentation de données, des versions artificiellement modifiées des données d'entrée sont générées pour entraîner un modèle à apprendre des représentations robustes.
Les augmentations typiques sont des transformations d'images telles que la rotation, la mise à l'échelle, le recadrage ou les modifications de couleur.
Le modèle est entraîné à produire des représentations similaires pour différentes augmentations d'un même original, tout en apprenant à distinguer les différences avec d'autres données.
Cela conduit à une meilleure généralisation, car le modèle apprend à extraire des caractéristiques essentielles qui sont invariantes par rapport aux augmentations.
De telles méthodes sont à la base de nombreuses approches modernes d'apprentissage auto-supervisé en traitement d'images et de la parole.