NVIDIA opracowała nowe podejście do szkolenia generatywnych sieci przeciwstawnych (GAN). Metoda ta wymaga znacznie mniej danych wejściowych niż obecnie popularne metody. Chociaż jakość szkolenia jest nadal całkowicie gwarantowana.
Jeśli nie wiesz, GAN to system AI składający się z 2 oddzielnych części:
- Pierwszą z nich jest sieć generatywna, która pomaga tworzyć próbki szkoleniowe (fałszywe dane) w celu stworzenia jak najbardziej realistycznych danych.
- Druga to Sieć Dyskrymatyczna: której zadaniem jest próba odróżnienia danych prawdziwych od danych fałszywych, a następnie wykorzystanie tych danych do „przekwalifikowania” samej Sieci Generacyjnej.

model GANA
Systemy GAN znalazły zastosowanie w wielu intensywnych zadaniach, takich jak przekształcanie napisów w historie w zależności od kontekstu, zwłaszcza w tworzeniu sztucznych zdjęć i filmów o niezwykle wysokim realizmie.
Zasadniczo, aby móc generować wiarygodne wyniki o dużej spójności, tradycyjne modele GAN będą wymagały co najmniej 50 000 do 100 000 obrazów jako wejściowych danych szkoleniowych. Jeśli ilość danych szkoleniowych jest zbyt mała, w modelu GAN występuje problem zwany „przeuczeniem”. W tym przypadku sieć dyskryminacyjna nie będzie miała wystarczających podstaw do skutecznego szkolenia i interakcji z siecią generatywną.
W przeszłości popularną metodą stosowaną przez badaczy sztucznej inteligencji w celu rozwiązania problemu braku danych szkoleniowych było zastosowanie techniki zwanej „zwiększaniem danych”. Używając ponownie algorytmu obrazu jako przykładu, w przypadku braku wystarczających niezbędnych danych uczących, eksperci spróbują rozwiązać problem, tworząc „zniekształcone” kopie obrazów. Istniejące obrazy, takie jak kadrowanie, obracanie lub odwracanie oryginalnego obrazu do utwórz wiele obrazów jako dodatkowe dane szkoleniowe. Chodzi o to, aby model GAN nie widział dwukrotnie dokładnie tego samego obrazu.
Problem z tym podejściem polega jednak na tym, że może spowodować, że sieć GAN nauczy się naśladować nienaturalne zmiany w danych szkoleniowych, zamiast tworzyć coś nowego. Aby rozwiązać ten problem, firma NVIDIA opracowała nową metodę zwaną „Adaptive Differentiation Augmentation (ADA). Podstawą nadal są techniki powiększania danych, ale wdrażane w sposób adaptacyjny. Zamiast bezkrytycznie „zniekształcać” obrazy w całym procesie uczenia, ADA wykonuje ten proces w sposób selektywny i na tyle, aby GAN nadal osiągał najlepszą wydajność.
Pozytywne rezultaty metody szkoleniowej ADA niosą ze sobą wiele ważnych implikacji w obszarze sztucznej inteligencji. Ponieważ zebranie niezbędnej ilości danych treningowych wydaje się proste, w rzeczywistości jest bardzo trudne. Na przykład w przypadku modelu kompozycji literackiej opartej na sztucznej inteligencji nie musisz się martwić brakiem wejściowych danych szkoleniowych. Jednak w przypadku algorytmu AI specjalizującego się w wykrywaniu rzadkich zaburzeń neurologicznych samo zebranie wystarczającej ilości danych treningowych stanowi duży problem. Model GAN wyszkolony przy użyciu podejścia ADA firmy NVIDIA może rozwiązać powyższy problem.
NVIDIA udostępni więcej informacji na temat swojej nowej techniki ADA na nadchodzących konferencjach poświęconych sztucznej inteligencji.