noising

データに意図的にノイズを加える手法であり、主にモデルの学習において汎化性能を高めるために用いられます。入力データに微小なランダム値や欠損を混ぜることで、モデルがデータの本質的な特徴を捉え、過学習を防ぐよう学習させます。

ノイズを加えることで、多少の汚れや乱れがあっても正しい推論ができるような頑健性（ロバストネス）をモデルに持たせます。特に画像処理や自然言語処理において、データのバリエーションを擬似的に増やすデータ拡張の一種として活用されます。

G検定では、過学習対策の一つとして位置づけられます。完璧なデータだけでなく、不完全なデータでも対応できる柔軟性を学習させるという考え方です。ノイズを加えても正解を出せるように訓練することで、実環境での推論精度を向上させる重要な手法です。