NVIDIA menemui kaedah latihan AI baharu yang memerlukan kurang data input

NVIDIA telah membangunkan pendekatan baharu untuk melatih rangkaian permusuhan generatif (GAN). Kaedah ini memerlukan data input yang jauh lebih sedikit daripada kaedah yang popular pada masa ini. Sedangkan kualiti latihan masih terjamin secara mutlak.

Jika anda tidak tahu, GAN ialah sistem AI yang terdiri daripada 2 bahagian berasingan:

• Yang pertama ialah rangkaian Generatif, yang membantu mencipta sampel latihan (data palsu), dengan matlamat untuk mencipta data yang paling realistik.
• Yang kedua ialah rangkaian Diskrimatif: yang tugasnya adalah untuk cuba membezakan antara data sebenar dan data palsu, kemudian gunakan data ini untuk "melatih semula" Rangkaian Generatif itu sendiri.

model GAN

Sistem GAN telah digunakan dalam banyak tugas intensif seperti menukar kapsyen kepada cerita mengikut setiap konteks, terutamanya mencipta foto dan video tiruan dengan realisme yang sangat tinggi.

Pada asasnya, untuk dapat menghasilkan hasil yang boleh dipercayai dengan konsistensi yang tinggi, model GAN ​​tradisional memerlukan sekurang-kurangnya 50,000 hingga 100,000 imej sebagai data latihan input. Jika jumlah data latihan terlalu kecil, model GAN ​​cenderung mengalami masalah yang dipanggil "overfitting". Dalam kes ini, rangkaian Diskriminatif tidak akan mempunyai asas yang mencukupi untuk melatih dan berinteraksi dengan rangkaian Generatif dengan berkesan.

• Kecerdasan buatan sudah boleh menulis keseluruhan artikel daripada hanya beberapa maklumat

Pada masa lalu, kaedah biasa yang digunakan penyelidik AI untuk cuba menyelesaikan masalah kekurangan data latihan adalah dengan menggunakan teknik yang dipanggil "peningkatan data." Menggunakan algoritma imej sebagai contoh sekali lagi, jika tiada data latihan yang diperlukan yang mencukupi, pakar akan cuba menyelesaikan masalah dengan mencipta salinan imej yang "terherot". imej sedia ada, seperti memangkas, memutar atau membalikkan imej asal ke cipta berbilang imej sebagai data latihan tambahan. Idea di sini adalah untuk tidak membenarkan model GAN ​​melihat imej yang sama dua kali.

Walau bagaimanapun, masalah dengan pendekatan ini ialah ia boleh menyebabkan GAN belajar meniru perubahan luar biasa dalam data latihan, dan bukannya mencipta sesuatu yang baharu. Untuk menyelesaikan masalah tersebut, NVIDIA telah membangunkan kaedah baharu yang dipanggil “Adaptive Differentiation Augmentation (ADA). Intinya masih teknik penambahan data, tetapi digunakan dalam cara yang adaptif. Daripada "menyelewengkan" imej secara sembarangan sepanjang keseluruhan proses latihan, ADA melaksanakan proses ini secara selektif dan cukup supaya GAN masih mencapai prestasi terbaik.

Keputusan positif kaedah latihan ADA membawa banyak implikasi penting dalam bidang kecerdasan buatan. Kerana mengumpul jumlah data latihan yang diperlukan kedengaran mudah, tetapi sebenarnya ia sangat sukar. Sebagai contoh, untuk model AI komposisi sastera, anda tidak perlu risau tentang kekurangan data latihan input. Tetapi dalam kes algoritma AI yang pakar dalam mengesan gangguan neurologi yang jarang berlaku, hanya mengumpul data latihan yang mencukupi adalah masalah besar. Model GAN ​​yang dilatih dengan pendekatan ADA NVIDIA boleh menyelesaikan masalah di atas.

NVIDIA akan berkongsi lebih banyak maklumat tentang teknik ADA baharunya pada persidangan AI yang akan datang.