A NVIDIA desenvolveu uma nova abordagem para treinar redes adversárias generativas (GANs). Este método requer significativamente menos dados de entrada do que os métodos populares atualmente. Enquanto a qualidade do treinamento ainda é absolutamente garantida.
Se você não sabe, GAN é um sistema de IA que consiste em 2 partes separadas:
- A primeira é a rede generativa, que ajuda a criar amostras de treinamento (dados falsos), com o objetivo de criar os dados mais realistas.
- A segunda é a Rede Discriminativa: cuja tarefa é tentar distinguir entre dados reais e dados falsos e, em seguida, usar esses dados para “retreinar” a própria Rede Gerativa.

Modelo GAN
Os sistemas GAN têm sido aplicados em diversas tarefas intensivas, como a conversão de legendas em histórias de acordo com cada contexto, principalmente na criação de fotos e vídeos artificiais com altíssimo realismo.
Essencialmente, para poder produzir resultados confiáveis com alta consistência, os modelos GAN tradicionais exigirão um mínimo de 50.000 a 100.000 imagens como dados de treinamento de entrada. Se a quantidade de dados de treinamento for muito pequena, o modelo GAN tende a sofrer de um problema denominado “overfitting”. Neste caso, a rede Discriminativa não terá base suficiente para treinar e interagir eficazmente com a rede Gerativa.
No passado, um método comum que os pesquisadores de IA usavam para tentar resolver o problema da falta de dados de treinamento era usar uma técnica chamada “aumento de dados”. Usando novamente o algoritmo de imagem como exemplo, na ausência de dados de treinamento necessários suficientes, os especialistas tentarão resolver o problema criando cópias "distorcidas" das imagens existentes, como cortar, girar ou inverter uma imagem original para crie várias imagens como dados de treinamento adicionais. A ideia aqui é não permitir que o modelo GAN veja exatamente a mesma imagem duas vezes.
No entanto, o problema com esta abordagem é que ela pode fazer com que o GAN aprenda a imitar mudanças não naturais nos dados de treino, em vez de criar algo novo. Para resolver o problema, a NVIDIA desenvolveu um novo método chamado “Adaptive Differentiation Augmentation (ADA). O núcleo ainda são as técnicas de aumento de dados, mas implantadas de forma adaptativa. Em vez de “distorcer” indiscriminadamente as imagens ao longo de todo o processo de treinamento, o ADA realiza esse processo de forma seletiva e apenas o suficiente para que o GAN ainda obtenha o melhor desempenho.
Os resultados positivos do método de treinamento ADA trazem muitas implicações importantes no campo da inteligência artificial. Porque coletar a quantidade necessária de dados de treinamento parece simples, mas na realidade é muito difícil. Por exemplo, para um modelo de IA de composição literária, você não precisará se preocupar com a falta de dados de treinamento de entrada. Mas no caso de um algoritmo de IA especializado na detecção de distúrbios neurológicos raros, a simples coleta de dados de treinamento suficientes é um grande problema. Um modelo GAN treinado com a abordagem ADA da NVIDIA pode resolver o problema acima.
A NVIDIA compartilhará mais informações sobre sua nova técnica ADA nas próximas conferências de IA.