Nvidia新技术可减少20倍AI模型训练资料量

Nvidia公司近期发展出了一种全新的数据增强技术，该技术对于人工智能模型的训练资料需求进行了大刀阔斧的缩减。在仅仅使用来自大都会艺术博物馆的小型数据集的情况下，人工智能模型就能够创造出过去可能需要数以万计，甚至超过十万张训练图像才能诞生的精美图像。这一创新成果的应用前景广泛，涵盖了包括医疗保健在内的多个领域。

这项技术被称为ADA（Adaptive Discriminator Augmentation）技术，它已成功地应用于StyleGAN2生成对抗网络模型上。在StyleGAN2模型中应用ADA技术后，训练图像的数据量可以减少10到20倍，而生成的图像效果却能达到同样的高质量。生成对抗网络（GAN）的特性是，训练数据越多，模型产生的结果就越好。生成对抗网络由生成器和判别器两个组件构成。生成器负责合成图像，而判别器则负责识别图像的真伪，同时向生成器反馈有用的参数，帮助生成器生成更好的结果。

当训练数据不足时，判别器就无法为生成器提供足够的信息以产生良好的结果。这就像是一个新手教练没有足够多的经验来指导球员，球员也就难以提高技艺。通常，生成对抗网络需要5万到10万的训练图像才能训练出高质量的模型。但在许多应用场景中，可用的样本图像数量有限。用数千张图像训练生成对抗网络通常无法产生逼真的结果，而且会出现过拟合现象。

过去的研究也曾尝试通过数据增强方法来减少训练生成对抗网络所需的数据量，但效果并不理想。因为生成对抗网络经常学习到图像的旋转变形等失真情况，而无法产生逼真的合成图像。而Nvidia提出的ADA方法则能够自适应地应用数据增强方法，避免过拟合现象的发生。这使得StyleGAN2等模型能够使用更少的训练图像，同时保持良好的结果。

研究人员已经在实际应用中看到了这一技术的巨大潜力。例如，艺术家可以使用StyleGAN进行创作，生成各种精美的绘画作品，或者以传奇插画家Osamu Tezuka的风格构建新的漫画作品。Adobe也采用了这项技术来提供全新的人工智能工具Neural Filters。这项技术还有望在医疗保健领域发挥重要作用。由于罕见疾病的医学图像数量稀少且每个案例差异巨大，收集大量的病理切片数据集非常困难。而使用ADA技术的生成对抗网络则有望改善这一问题。通过模拟罕见疾病的医学图像，帮助医生更好地理解和诊断疾病。Nvidia的这一新技术将为人工智能的发展开启新的篇章，带来无限的可能性。