- 論文連結:https://browse.arxiv.org/pdf/2211.13976.pdf
- GitHub:https://github.com/Vanint/DatasetExpansion
#眾所周知,深度神經網路的效能很大程度上依賴訓練數據的數量和質量,這使得深度學習難以廣泛地應用於小數據任務。例如,在醫療等領域的小數據應用場景中,人力收集和標註大規模的資料集往往費時費力。為了解決這個數據稀缺問題並最小化數據收集成本,該論文探索了一個數據集擴增新範式,旨在自動生成新數據從而將目標任務的小數據集擴充為更大且更具信息量的大數據集。這些擴增後的資料集致力於提升模型的效能和泛化能力,並能夠用於訓練不同的網路結構
該工作發現只是利用現存方法無法很好地擴充資料集。 (1)隨機資料增強主要改變圖片的表面視覺特徵,但不能創造具有新物體內容的圖片(如下圖的荷花依然是同一個,沒有新荷花的生成),因此所引入的資訊量有限。更嚴重的是,隨機資料增強可能會裁剪醫學影像的病灶(變)位置,導致樣本的重要資訊減少,甚至產生雜訊資料。 (2)直接利用預訓練的生成(擴散)模型進行資料集擴增也無法很好地提升模型在目標任務上的表現。這是因為這些生成模型的預訓練資料往往與目標資料有較大的分佈差異,這導致它們所產生的資料與目標任務有一定的分佈和類別差距,無法確保所產生的樣本帶有正確的類別標籤且對模型訓練有益。
為了更有效地進行資料集擴增,研究人員探索了人類的聯想學習。當人類擁有物體的先驗知識時,可以輕鬆地想像出該物體的不同變體,例如下圖中狗子在不同種類、不同顏色、不同形狀或不同背景下的變體。這種想像學習的過程對於資料集擴增非常有啟發性,因為它不僅僅是簡單地擾動圖片中動物體的外觀,而是應用了豐富的先驗知識來創建具有新資訊量的變體圖片
然而,我們無法直接建模人類作為先驗模型來進行資料想像。但幸運地是,近期的生成模型(如 Stable Diffusion,DALL-E2)已經展現了強大的擬合大規模資料集分佈的能力,能夠產生內容豐富且逼真的圖片。這啟發了該論文使用預先訓練的生成模型作為先驗模型,利用它們強大的先驗知識來對小數據集進行高效地數據聯想和擴增。
基於上述想法,這項工作提出了一個新的指導式想像擴增框架(Guided Imagination Framework, GIF)。此方法能夠有效提升深度神經網路在自然和醫療圖片任務上的分類效能和泛化能力,並大幅減少因人工資料收集和標註所帶來的巨大成本。同時,所擴增的資料集也有助於促進模型的遷移學習,並緩解長尾問題。
接下來讓我們來看看,這資料集擴增新範式是怎麼設計的。
方法
資料集擴增的挑戰與指導標準## 設計資料集擴增法會有兩個關鍵挑戰:(1)如何讓產生的樣本帶有正確的類別標籤? (2)如何確保產生的樣本帶有新的資訊量,從而促進模型訓練?為了解決這兩個挑戰,這項工作透過大量的實驗發現了兩個擴增指導標準:(1)類別一致的資訊增強;(2)樣本多樣性提升。
方法框架# 基於所發現擴增指導標準,該工作提出了指導式想像擴增框架(GIF)。對於每個輸入的種子樣本 x,GIF 首先利用先驗生成模型的特徵提取器提取樣本特徵 f,並對該特徵進行噪音擾動:。設定噪音(z,b)最簡單的方式是採用高斯隨機噪聲,但是它無法確保所產生的樣本具有正確的類別標籤並帶來更多的資訊量。因此,為了進行有效的資料集擴增,GIF 基於其發現的擴增指導標準對雜訊擾動進行最佳化,即
。
所用到的擴增指導標準實作如下。類別一致的資訊量指標:;樣本多樣性指標:
。透過最大化這兩個指標,GIF 能夠有效優化雜訊擾動,從而產生既保持類別一致性,又帶來更大資訊量的樣本。
實驗
擴增有效性 GIF 具有更強的擴增有效性:GIF-SD 在6 個自然資料集上平均提高了36.9% 分類精度,並在3 個醫療資料集上平均提高了13.5% 分類精度。
#擴增效率# GIF 有更強的擴增有效率:在Cars 和DTD在資料集上,使用GIF-SD 進行5 倍擴增的效果甚至超過了使用隨機資料增強進行20 倍擴增的效果。
視覺化結果 現有的資料增強方法無法產生新的圖片內容,而GIF可以較好地產生帶有新內容的樣本。
現有的增強方法可能會削減醫學影像中病變位置,導致樣本資訊減少並產生噪聲,而GIF可以更好地保留它們的類別語意
計算與時間成本 與人工資料收集和標註相比, GIF 能夠大幅降低資料集擴增的時間和成本。
擴增資料的通用性# 一旦完成擴增,這些資料集可以直接用於訓練各種不同的神經網路模型結構。
提昇模型泛化能力 GIF 有助於提升模型的分佈外泛化效能(OOD generalization)。
緩解長尾問題 GIF 有助於緩解長尾問題。
安全性偵測# GIF 產生的影像是安全且無害的。
基於上述實驗結果,我們有理由相信透過模擬人類的類比與想像學習,論文所設計的方法能夠有效地擴增小數據集,從而提升深度神經網路在小數據任務場景上的落地和應用。
以上是引進全新的GIF框架:以人類為榜樣,資料集擴增的新典範已經到來的詳細內容。更多資訊請關注PHP中文網其他相關文章!

本文解釋了術語“頻率分析”頻率(TF-IDF)技術,這是一種自然語言處理(NLP)的關鍵工具(NLP),用於分析文本數據。 TF-IDF通過加權TE超過基本詞袋方法的局限性

使用蘭班釋放AI特工的力量:初學者指南 想像一下,通過讓她與Chatgpt聊天來向您的祖母展示人工智能的奇觀 - 當AI毫不費力地進行對話時,她的臉上的興奮! Th

MISTRAL大2:深入了解Mistral AI強大的開源LLM Meta AI最近發布的Llama 3.1模型系列很快被Mistral AI揭幕了其迄今為止最大的模型:Mistral flow 2。這個1230億參數

了解擴散模型中的噪聲時間表:綜合指南 您是否曾經被AI產生的令人驚嘆的數字藝術視覺效果所吸引,並想知道基礎機制? 關鍵要素是“噪聲時間表,&quo

使用GPT-4O構建上下文聊天機器人:綜合指南 在AI和NLP迅速發展的景觀中,聊天機器人已成為開發人員和組織必不可少的工具。 創建真正引人入勝且聰明的聊天的關鍵方面

本文探討了建立AI代理的七個領先框架 - 自主軟件實體,這些軟件實體可以感知,決定和採取行動實現目標。 這些代理人超越了傳統的強化學習,利用高級計劃和推理

了解統計假設檢驗中的I型和II型錯誤 想像一下一項臨床試驗測試一種新的血壓藥物。 該試驗的結論大大降低了血壓,但實際上並非如此。這是一種類型

Sumy:您的AI驅動摘要助理 厭倦了篩選無盡的文件? 強大的Python庫Sumy提供了一種簡化的解決方案,用於自動文本摘要。 本文探討了Sumy的功能,指導您通過


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

MinGW - Minimalist GNU for Windows
這個專案正在遷移到osdn.net/projects/mingw的過程中,你可以繼續在那裡關注我們。 MinGW:GNU編譯器集合(GCC)的本機Windows移植版本,可自由分發的導入函式庫和用於建置本機Windows應用程式的頭檔;包括對MSVC執行時間的擴展,以支援C99功能。 MinGW的所有軟體都可以在64位元Windows平台上運作。

SublimeText3 英文版
推薦:為Win版本,支援程式碼提示!

SublimeText3漢化版
中文版,非常好用

SAP NetWeaver Server Adapter for Eclipse
將Eclipse與SAP NetWeaver應用伺服器整合。

PhpStorm Mac 版本
最新(2018.2.1 )專業的PHP整合開發工具