NVIDIA可以用更少的培訓數據學習新事物

如今，人工智能和機器學習已成為技術乃至主流新聞的熱門話題，但大多數人都將這些計算機在幕后所做的工作視為理所當然。它們驚人的壯舉需要以僅計算機具備的速度瀏覽數以萬計的相關數據。反過來，這意味著AI需要學習成千上萬的數據，而情況并非總是如此。NVIDIA的研究部門現在在其創性對抗網絡或GAN中擁有一個里程碑，即使在呈現非常小的數據集的情況下，它也可以使AI進行學習。

盡管GAN AI模型的名字叫“對抗性”，但實際上它使用了兩個合作網絡。例如，生成器創建圖像，而鑒別器將其與參考圖像進行比較，以評估它們是否與樣式，對象或內容匹配。為此，鑒別器通常會饋入50,000到100,000范圍內的訓練圖像，因為如果不多，就會創建一個鑒別器，該鑒別器只會記住參考文獻，而無法區分合成圖像。

這種現象稱為過擬合，可以部分地通過所謂的數據增強來解決，該方法僅涉及隨機旋轉，調整大小，裁剪或翻轉圖像以擴大參考數量。但是，這會創建一個生成器，該生成器將學習模仿變形的圖像，而不是學習如何正確地合成樣式和主題。

NVIDIA Research的自適應數據增強或ADA試圖通過在不同數據點之間分布數據增強來解決這兩個問題。研究人員聲稱，這使他們能夠創建一個新的StyleGAN2模型，該模型能夠以比傳統GAN所需的訓練數據小10到20倍的訓練數據集學習藝術風格。