新しい GIF フレームワークの紹介: 人間の例に倣い、データセット増幅の新しいパラダイムが到来

• 論文リンク: https://browse.arxiv.org/pdf/2211.13976.pdf
GitHub: https://github.com/Vanint/DatasetExpansion

ご存知のとおり、ディープ ニューラル ネットワークのパフォーマンスはトレーニング データに大きく依存します。量と質のせいで、ディープ ラーニングを小規模なデータ タスクに広く適用することが困難になります。たとえば、医療やその他の分野での小規模データのアプリケーション シナリオでは、大規模なデータ セットを手動で収集してラベル付けするのは、多くの場合、時間と労力がかかります。このデータ不足の問題に対処し、データ収集コストを最小限に抑えるために、この論文では、新しいデータを自動的に生成して、ターゲット タスクの小さなデータ セットをより大きく、より情報量の多いデータ セットに拡張することを目的とした、データ セット拡張の新しいパラダイムを検討します。セット。これらの拡張データセットは、モデルのパフォーマンスと汎化機能の向上に特化しており、さまざまなネットワーク構造のトレーニングに使用できます

この成果は、既存の方法を使用するだけではデータセットを十分に拡張できないということです。 (1) ランダム データ強化は主に画像の表面の視覚特性を変更しますが、新しいオブジェクトの内容を含む画像を作成することはできません (下の画像の蓮は同じであり、新しい蓮は生成されません)。そのため、導入される情報量は限定。さらに深刻なのは、ランダムなデータ強調により、医用画像の病変（変化）位置が切り取られる可能性があり、その結果、サンプルの重要な情報が減少し、さらにはノイズの多いデータが生成される可能性があることです。 (2) データセットの増幅に事前トレーニング済みの生成 (拡散) モデルを直接使用しても、ターゲット タスクでのモデルのパフォーマンスを十分に向上させることはできません。これは、これらの生成モデルの事前トレーニング データには、ターゲット データとの大きな分布の差があることが多く、その結果、生成されるデータとターゲット タスクの間に一定の分布とカテゴリのギャップが生じ、生成されたデータがターゲット タスクと一致することを保証することが不可能であるためです。サンプルには正しいカテゴリとラベルがあり、モデルのトレーニングに役立ちます。

#より効率的なデータセットの拡張を実現するために、研究者は人間の連合学習を研究してきました。人間は、ある物体についての事前知識があれば、下の写真のさまざまな種類、色、形、背景の犬のバリエーションなど、その物体のさまざまなバリエーションを容易に想像できます。この想像力豊かな学習プロセスは、画像内の動物の外観を単に混乱させるだけでなく、豊富な事前知識を適用して新しい情報を含むさまざまな画像を作成するため、データセットの増幅にとって非常に有益です。

しかし、データ想像力のためのアプリオリなモデルとして人間を直接モデル化することはできません。幸いなことに、最近の生成モデル (安定拡散、DALL-E2 など) は、大規模なデータセットの分布に適合する強力な機能を実証しており、リッチでリアルな画像を生成できます。このことから、この論文では、事前にトレーニングされた生成モデルを事前モデルとして使用し、その強力な事前知識を活用して、小規模なデータセットに対して効率的なデータの関連付けと増幅を実行するようになりました。

上記のアイデアに基づいて、この研究は新しい Guided Imagination Framework (GIF) を提案します。この方法により、自然画像や医療画像のタスクに対するディープ ニューラル ネットワークの分類パフォーマンスと汎化能力が効果的に向上し、手動によるデータ収集と注釈付けによって生じる膨大なコストが大幅に削減されます。同時に、拡張されたデータセットはモデルの転移学習を促進し、ロングテール問題を軽減するのにも役立ちます。

次に、このデータセット増幅の新しいパラダイムがどのように設計されているかを見てみましょう。

方法

データセット増幅の課題と指針となる標準 データセット増幅を設計するには 2 つの方法があります。課題: (1) 生成されたサンプルに正しいカテゴリ ラベルを付けるにはどうすればよいでしょうか? (2) 生成されたサンプルにモデルのトレーニングを促進するための新しい情報が含まれていることを確認するにはどうすればよいですか?これら 2 つの課題に対処するために、この研究では広範な実験を通じて 2 つの増幅指針基準、(1) カテゴリ一貫した情報の強化、(2) サンプルの多様性の向上を発見しました。

方法論的フレームワーク 発見された増幅指針基準に基づいて、この研究は、誘導された想像力の増幅フレームワークを提案します。 (GIF)。各入力シード サンプル x に対して、GIF は最初に前の生成モデルの特徴抽出器を使用してサンプル特徴 f を抽出し、特徴に対してノイズ摂動を実行します: 。ノイズ (z、b) を設定する最も簡単な方法は、ガウス ランダム ノイズを使用することですが、生成されたサンプルに正しいクラス ラベルが付けられ、より多くの情報がもたらされることを保証できません。したがって、効率的なデータセット増幅のために、GIF は発見された増幅ガイドライン、つまり に基づいてノイズ摂動を最適化します。

#使用される増幅ガイダンス標準は次のように実装されます。クラス一貫性のある情報量インデックス: ; サンプル多様性インデックス: 。これら 2 つの指標を最大化することで、GIF はノイズ摂動を効果的に最適化し、それによってカテゴリの一貫性を維持し、より多くの情報コンテンツをもたらすサンプルを生成できます。

実験

増幅効果 GIF はより強い増幅効果を持っています: GIF-SD は、 6 つの自然データセットでは分類精度が平均 36.9% 向上し、3 つの医療データセットでは分類精度が平均 13.5% 向上しました。

増幅効率 GIF はより強い増幅効率を持っています: 車と DTD データセットでは、 GIF-SD を使用した 5 倍増幅の効果は、ランダム データ拡張を使用した 20 倍増幅の効果をも上回ります。

#可視化結果 既存のデータ拡張手法では新しい画像コンテンツを生成できませんが、GIF の方がより適切に生成できます。新しいコンテンツを含むサンプル。

既存の強調方法では、医療画像内の病変の位置がカットされる可能性があり、その結果、サンプル情報とノイズが減少しますが、GIF はより適切に保存されます。セマンティクス

計算コストと時間コスト 手動によるデータ収集と注釈と比較して、GIF は大幅にコストを削減できます。データセットの増強にかかる時間とコスト。

増幅されたデータの汎用性 これらのデータセットは、増幅されると、さまざまなニューラル ネットワーク モデルのトレーニングに直接使用できます。構造。

#モデルの汎化能力の向上 GIF は、モデルの分布外汎化パフォーマンスの向上に役立ちます(OOD の一般化)。

#ロングテール問題の軽減 GIF はロングテール問題の軽減に役立ちます。

#安全性チェック

GIF によって生成された画像は安全で無害です。

上記の実験結果に基づいて、人間の類推と想像力の学習をシミュレートすることにより、この論文で設計された方法が効果的に実行できると信じる理由があります。小規模データ セットを増幅することで、小規模データ タスク シナリオにおけるディープ ニューラル ネットワークの実装とアプリケーションが向上します。

以上が新しい GIF フレームワークの紹介: 人間の例に倣い、データセット増幅の新しいパラダイムが到来の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。