آموزش هوش مصنوعی با دادههای اندک - مجله دکوراسیون کاشیا

شرکت انویدیا رویکرد جدیدی را برای آموزش شبکه های زایای دشمن گونه(GANs) ایجاد کرده است که می تواند روزی آنها را برای انجام کارهای مختلف و بزرگتری مناسب سازد.

قبل از توضیح کار شرکت انویدیا، بد نیست کمی در مورد نحوه کار شبکه زایای دشمن گونه(GAN) بدانیم. هر GAN از دو شبکه عصبی رقیب تشکیل شده است: یک مولد و یک جدا کننده. هدف الگوریتم در مولد، ایجاد تصاویر جدید است و جدا کننده هزاران تصویر حاصل را بررسی می کند. سپس از این داده ها برای مربیگری یا آموزش همتای خود استفاده می کند.

شبکه های زایای دشمن گونه سنتی به منظور ایجاد نتایج مداوم و باورپذیر به حدود 50 هزار تا 100 هزار تصویر آموزشی نیاز دارند و با تعداد تصاویر کم به مشکل می خورند. در این موارد، جدا کننده اطلاعات پایه کافی ندارد تا بتواند به طور موثر مولد را مربیگری کند.

شبکه های زایای دشمن گونه(Generative Adversarial Networks) یک کلاس از چارچوب های یادگیری ماشین هستند که به دست ایان گودفلو و همکارانش در سال 2014 پیشنهاد شدند. دو شبکه عصبی در یک بازی روبروی یکدیگر قرار می گیرند؛ در چارچوب یک بازی با گردایش صفر، که سود یک کنشگر ضرر کنشگر دیگر است.

در این روش شبکه فرا می گیرد چگونه از داده های آموزش، داده های جدیدی به وجود بیاورد که از دید آماری داده های آموزش و به وجود آمده همسان باشند. برای نمونه، شبکه زایای دشمن گونه آموزش یافته می تواند عکس های جدیدی را به وجود آورد که از دید بیننده درست باشد و بسکمک از ویژگی های داده های آموزشی را در بر بگیرد.

ایده بنیادی شبکه های زایای دشمن گونه بر پایه آموزش جداکننده است. بدین ترتیب، شبکه زایا به جای اینکه در پی کاهش فاصله با یک عکس باشد، در تلاش برای گمراه کردن شبکه جداکننده خواهد بود. بنابراین مدل، توانایی این را پیدا می کند که به وجود آوردن عکس ها را فرا بگیرد.

در گذشته، یکی از روش های محققان هوش مصنوعی برای حل این مشکل، استفاده از روشی به نام تقویت داده بود. با استفاده مجدد از یک الگوریتم تصویر به عنوان نمونه، در مواردی که مطالب زیادی برای کار وجود ندارد، آنها سعی می کردند با ایجاد کپی های تحریف شده از داده های موجود، این مشکل را برطرف کنند. تحریف در این حالت می تواند به معنای برش یک تصویر، چرخاندن آن یا برگرداندن آن باشد. ایده این کار نیز این است که شبکه هرگز یک تصویر را دو بار نبیند.

مشکل این روش این است که منجر به شرایطی می شود که GAN به جای خلق چیزی جدید، از آن تحریفات تقلید می کند. رویکرد جدید شرکت انویدیا موسوم به تقویت سازگار جدا کننده(ADA) هنوز از همین روش تقویت داده استفاده می کند، اما این کار را به صورت تطبیقی انجام می دهد. یعنی به جای اینکه تصاویر را در کل مراحل آموزش، تحریف کند، این کار را به صورت انتخابی و به اندازه کافی انجام می دهد تا GAN به مشکل نخورد.

نتیجه بالقوه رویکرد جدید انویدیا معنادارتر از آن است که تصور کنید. آموزش یک هوش مصنوعی برای نوشتن یک بازی جدید ماجراجویی مبتنی بر متن، آسان است، زیرا مواد زیادی برای کار الگوریتم وجود دارد، اما این مورد درباره بسکمک از وظایف دیگر که محققان می توانند برای کمک به GANها متوسل شوند، صدق نمی کند.

به عنوان مثال، آموزش یک الگوریتم برای تشخیص یک اختلال عصبی نادر در مغز دقیقاً به دلیل نادر بودن آن سخت است. با این حال، یک GAN آموزش دیده با رویکرد ADA می تواند این مشکل را برطرف کند.

همچنین پزشکان و محققان می توانند یافته های خود را با سهولت بیشتری به اشتراک بگذارند، زیرا آنها در حال کار بر روی یک پایه از تصاویر ایجاد شده توسط هوش مصنوعی هستند، نه بیماران در دنیای واقعی.

شرکت انویدیا اطلاعات بیشتری را در مورد رویکرد ADA در کنفرانس آینده NeurIPS که از شش دسامبر آغاز شده است، به اشتراک می گذارد.،مهر