Nvidia研究人员设计出用较少数据训练GAN的方法

一般而言，训练GAN可能需要多达10万张以上的图像，但在 "用有限数据训练生成式对抗网络 "一文中详述的一种称为自适应判别器增强(ADA)的方法，可以用少10到20倍的数据实现结果。

"小数据集的关键问题是，判别器对训练实例的过度拟合；其对生成器的反馈变得毫无意义，训练开始出现分歧，"论文写道。"我们在几个数据集上证明，现在只需使用几千张图片就可以获得良好的结果，通常用少一个数量级的图片就可以匹配StyleGAN2的结果。"

今年早些时候，来自Adobe Research、MIT和清华大学的研究人员共同详细介绍了DiffAugment，这是GANs的另一种增强方法。

Nvidia图形研究副总裁David Luebke表示，任何做过实用数据科学的人都知道，绝大部分时间都花在收集和策划数据上。这有时被称为ETL管道：提取、转换和加载。他说，当与时间不多的注释者合作时，这一点可能更加重要。

论文作者认为，减少数据限制可以使研究人员有能力检查GANs的新用例。除了创建人或动物的假照片之外，研究人员认为GANs可能会在医学成像数据中得到应用。

"如果你有一位专攻某种特定病症的放射科医生……让他或她坐下来为你标注5万张图像这种事情大概率不会发生……但让他们标注1000张图像似乎很有可能。Luebke说："这确实改变了一个实用的数据科学家需要投入到数据策展中的工作量，因此，它使得做探索变得更加容易。"。

本周发表的一篇详细介绍该方法的论文，作为神经信息处理网络NeurIPS会议的一部分，这是世界上最大的年度人工智能研究会议。

"用有限的数据训练生成式对抗网络 "并不是唯一的GAN相关论文。另一篇研究论文介绍了Discriminator Driven Latent Sampling（DDLS），在使用CIFAR-10数据集进行评估时，该方法实现了现成GAN的性能改进。该论文由MILA魁北克人工智能研究所和谷歌大脑研究人员撰写，其中包括Yoshua Bengio和蒙特利尔谷歌大脑小组负责人、NeurIPS会议总主席Hugo Larochelle。

本文素材来自互联网