Jitter Augmentation

Es una técnica utilizada en el campo del aprendizaje automático para aumentar la diversidad de los datos de entrenamiento.

Consiste en aplicar pequeñas perturbaciones aleatorias a los datos existentes para mejorar la robustez de los modelos de aprendizaje.

Es particularmente útil para datos secuenciales o señales, como audio, series temporales o datos GPS, donde pequeñas variaciones no alteran la naturaleza de la información.

La implementación incluye modificar características específicas, como valores de amplitud, tiempo o frecuencia, según el dominio de los datos.

Mejora la capacidad del modelo para generalizar al reducir el riesgo de sobreajuste a los datos originales.

Permite entrenar algoritmos más resilientes frente a ruido o cambios sutiles en los datos del mundo real.