NVIDIA公佈一項以少量資料來訓練AI的方法
NVIDIA found a way to train AI with very little data

內容
Nvidia開發用於訓練生成對抗網路(Generative Adversarial Network,GAN)的新方法,可使GAN適用於更多類型的任務。每個GAN都由Generator和Discriminator相互制衡而成,前者演算法的目標是建立新影像,後者則會檢查數千個樣本影像,再使用這些數據來「指導」其對抗網路,為了創建始終如一的可信結果,傳統的GAN需要5萬至10萬張右左的訓練影像,若數量太少則會遇到過度擬合(Overfitting),導致Discriminator沒有足夠的基礎來有效地指導Generator。以往,AI研究人員最常用「資料增強法(Data Augmentation)」解決此問題,透過建立可用資料的「失真」副本解決該問題,但這種方法的問題在於將導致GAN將學會模擬這些失真,而不是創建新的圖像。 NVIDIA新的「自我調整判別器增強(Adaptive Discriminator Augmentation,ADA)」仍會使用資料增強技術進行既有影像的隨機扭曲,但在執行過程中它有一定的選擇性,進而讓GAN避免過度擬合的問題。透過ADA方法訓練的GAN網路可以精確地訓練演算法,以解決發現罕見的神經性腦部病變之困難度。
發佈時間
2020/12/07
資料來源
新聞出處
Engadget
摘譯者
鍾彥文