譯者 | 劉濤

審校 | 重樓

在深度學(xué)習(xí)領(lǐng)域，數(shù)據(jù)是模型訓(xùn)練的基石。訓(xùn)練數(shù)據(jù)的數(shù)量和質(zhì)量直接決定了機(jī)器學(xué)習(xí)算法的效能。

然而，獲取大量精確分類的數(shù)據(jù)往往是一項(xiàng)既困難又耗費(fèi)資源的工作。在這一背景下，數(shù)據(jù)增強(qiáng)( Data Augmentation )作為一種頗具吸引力的解決方案應(yīng)運(yùn)而生，而生成模型在這一領(lǐng)域的創(chuàng)新潛力正日益凸顯。

本文將深入探討生成模型在深度學(xué)習(xí)數(shù)據(jù)增強(qiáng)中的重要作用，例如變分自編碼器(VAEs)和生成對(duì)抗網(wǎng)絡(luò)(GANs)。

什么是生成模型?

生成模型是一種機(jī)器學(xué)習(xí)模型，它能創(chuàng)建與指定數(shù)據(jù)集在特征上高度相似的新數(shù)據(jù)樣本。這類模型能夠發(fā)現(xiàn)數(shù)據(jù)背后隱藏的趨勢(shì)和結(jié)構(gòu)，從而能夠生成與實(shí)際數(shù)據(jù)在質(zhì)量上和風(fēng)格上均極為相似的合成數(shù)據(jù)點(diǎn)。

生成模型在眾多領(lǐng)域都有廣泛的應(yīng)用，包括但不限于圖像生成、文本生成、數(shù)據(jù)增強(qiáng)等。以圖像生成項(xiàng)目為例，生成模型可以通過學(xué)習(xí)大量的貓和狗的圖片數(shù)據(jù)，進(jìn)而掌握生成新的貓和狗圖片的能力。

這類模型從現(xiàn)有數(shù)據(jù)中學(xué)習(xí)模式和風(fēng)格，并應(yīng)用這些信息來創(chuàng)造相似的事物。這就如同計(jì)算機(jī)被賦予了一個(gè)創(chuàng)意引擎，能夠通過研究過往的策略和模式，自主生成新的創(chuàng)意和想法。

什么是數(shù)據(jù)增強(qiáng)?

數(shù)據(jù)增強(qiáng)是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域的一種關(guān)鍵技術(shù)，它通過多樣化的轉(zhuǎn)換和調(diào)整手段，對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行處理，旨在提升訓(xùn)練數(shù)據(jù)集的質(zhì)量與數(shù)量。這一過程涉及從現(xiàn)有樣本中生成新的數(shù)據(jù)樣本，從而擴(kuò)充數(shù)據(jù)集的規(guī)模及其多樣性。

數(shù)據(jù)增強(qiáng)的核心目標(biāo)在于提升機(jī)器學(xué)習(xí)模型的性能、泛化能力以及魯棒性(Robustness：指的是機(jī)器學(xué)習(xí)模型在面對(duì)各種變化和不確定性時(shí)保持性能穩(wěn)定和有效的能力)，這在計(jì)算機(jī)視覺任務(wù)以及其他數(shù)據(jù)驅(qū)動(dòng)型領(lǐng)域中尤為重要。

通過數(shù)據(jù)增強(qiáng)，可以優(yōu)化各類機(jī)器學(xué)習(xí)應(yīng)用的數(shù)據(jù)集，包括圖像分類、目標(biāo)檢測(cè)以及自然語言處理等。例如，利用數(shù)據(jù)增強(qiáng)技術(shù)生成合成人臉圖片，進(jìn)而用于訓(xùn)練深度學(xué)習(xí)模型，以便在現(xiàn)實(shí)世界的圖像中有效識(shí)別出人臉。

在數(shù)據(jù)科學(xué)領(lǐng)域，數(shù)據(jù)增強(qiáng)是一種重要的方法，因?yàn)樗鉀Q了數(shù)據(jù)數(shù)量和質(zhì)量的基本難題。在眾多機(jī)器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用中，構(gòu)建強(qiáng)大且精確的模型，需要獲取大量多樣化且標(biāo)注精確的數(shù)據(jù)。

數(shù)據(jù)增強(qiáng)是一種有效手段，通過創(chuàng)建新樣本，擴(kuò)展了原來有限數(shù)據(jù)集的邊界，從而提高模型的泛化能力和性能。此外，它還增強(qiáng)了機(jī)器學(xué)習(xí)算法應(yīng)對(duì)現(xiàn)實(shí)世界變化的能力，進(jìn)而打造出更加可靠和靈活的人工智能系統(tǒng)。

為什么要使用生成模型進(jìn)行數(shù)據(jù)增強(qiáng)?

在機(jī)器學(xué)習(xí)領(lǐng)域，使用生成模型進(jìn)行數(shù)據(jù)增強(qiáng)有以下幾個(gè)重要原因：

增強(qiáng)數(shù)據(jù)多樣性：生成模型能夠有效提升數(shù)據(jù)集的多樣性，使機(jī)器學(xué)習(xí)模型在面對(duì)真實(shí)世界中的多樣化情境時(shí)具備更強(qiáng)的適應(yīng)性和魯棒性。例如，通過生成模型可以創(chuàng)造出具有不同表情、年齡和種族特征的人臉合成圖像，從而幫助機(jī)器學(xué)習(xí)模型在各種實(shí)際場(chǎng)景中更加可靠地完成人臉檢測(cè)任務(wù)。

提升模型泛化能力：利用生成模型進(jìn)行數(shù)據(jù)增強(qiáng)，可以讓機(jī)器學(xué)習(xí)模型在訓(xùn)練過程中接觸到更加廣泛的數(shù)據(jù)變量。這一過程有助于增強(qiáng)模型對(duì)新的、未知數(shù)據(jù)的泛化能力，進(jìn)而提高其整體性能。這對(duì)于依賴大量數(shù)據(jù)以實(shí)現(xiàn)充分訓(xùn)練的深度學(xué)習(xí)模型尤為重要。

解決數(shù)據(jù)不足問題：在眾多機(jī)器學(xué)習(xí)應(yīng)用中，獲取大量且多樣化的標(biāo)記數(shù)據(jù)集往往是一個(gè)重大挑戰(zhàn)。生成模型通過開發(fā)合成數(shù)據(jù)，有助于處理數(shù)據(jù)不足問題，減少對(duì)有限真實(shí)數(shù)據(jù)的依賴。

降低偏見：生成模型可以通過生成新的數(shù)據(jù)樣本，解決訓(xùn)練數(shù)據(jù)中某些類別代表性不足或存在偏見的情況，從而有效消除偏見，提高人工智能應(yīng)用的平衡性。

用于數(shù)據(jù)增強(qiáng)的生成模型

兩種可用于數(shù)據(jù)增強(qiáng)的主要生成模型：

• 生成對(duì)抗網(wǎng)絡(luò)(GANs)
• 變分自編碼器(VAEs)

生成對(duì)抗網(wǎng)絡(luò)(GANs)

GANs是一種神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，旨在創(chuàng)建與訓(xùn)練數(shù)據(jù)相似的新數(shù)據(jù)樣本。GANs屬于一種學(xué)習(xí)模型，具備構(gòu)建看似來自特定數(shù)據(jù)集新項(xiàng)目的能力。例如，GANs可以在一組圖像上進(jìn)行訓(xùn)練，進(jìn)而生成看似來自原始數(shù)據(jù)集的新圖像。

以下是GANs工作原理的簡(jiǎn)要概述：

• 生成器負(fù)責(zé)生成新的數(shù)據(jù)樣本，而判別器同時(shí)接收新生成的樣本和真實(shí)樣本。
• 判別器旨在辨別哪些樣本是真實(shí)的，哪些是偽造的。
• 判別器的輸出結(jié)果用于更新生成器和判別器自身。

生成器通過將噪聲數(shù)據(jù)作為輸入，從而創(chuàng)建合成圖像。判別器則試圖正確區(qū)分生成器生成的假圖像和訓(xùn)練集中的真實(shí)圖像。

生成器試圖優(yōu)化其參數(shù)，以生成更具欺騙性的假圖像，從而誤導(dǎo)判別器。判別器通過調(diào)整其參數(shù)來更精確地區(qū)分真實(shí)和虛假圖像，以尋求性能提升。這兩個(gè)網(wǎng)絡(luò)持續(xù)進(jìn)行競(jìng)爭(zhēng)和自我優(yōu)化，直至生成器能夠產(chǎn)生與真實(shí)數(shù)據(jù)幾乎無法區(qū)分的樣本。

GANs在數(shù)據(jù)增強(qiáng)技術(shù)中具有顯著應(yīng)用價(jià)值，其能夠生成與真實(shí)數(shù)據(jù)樣本難以區(qū)分的合成數(shù)據(jù)。這一點(diǎn)至關(guān)重要，因?yàn)闄C(jī)器學(xué)習(xí)算法是從數(shù)據(jù)中學(xué)習(xí)的，訓(xùn)練數(shù)據(jù)越多，模型性能就越好。另一方面，收集足夠多的真實(shí)數(shù)據(jù)來訓(xùn)練機(jī)器學(xué)習(xí)模型可能既昂貴又耗時(shí)。

通過生成近似于真實(shí)數(shù)據(jù)的合成數(shù)據(jù)，GANs有助于降低收集數(shù)據(jù)所需的成本和時(shí)間。這對(duì)于收集真實(shí)數(shù)據(jù)難度較大或成本較高的應(yīng)用領(lǐng)域尤其有益，如醫(yī)學(xué)成像或視頻監(jiān)控?cái)?shù)據(jù)。

GANs的應(yīng)用還體現(xiàn)在其多樣性上。這是因?yàn)镚ANs能夠生成原始數(shù)據(jù)集中不存在的數(shù)據(jù)樣本。這有助于提升機(jī)器學(xué)習(xí)模型對(duì)真實(shí)世界變化的適應(yīng)性和魯棒性。

變分自編碼器(VAEs)

VAEs是生成模型的一種，是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)中應(yīng)用的一種自編碼器變體。作為一種生成模型，VAEs能夠生成與訓(xùn)練數(shù)據(jù)相似的新數(shù)據(jù)樣本。

VAEs屬于貝葉斯模型范疇，這意味著它利用概率分布來描述數(shù)據(jù)中的不確定性。正是這種特性使得VAEs生成的數(shù)據(jù)樣本相較于其他生成模型更為真實(shí)。

VAEs通過學(xué)習(xí)數(shù)據(jù)在潛在空間中的表示來發(fā)揮作用。潛在空間是對(duì)數(shù)據(jù)的壓縮表示，它捕捉了數(shù)據(jù)最關(guān)鍵的特征。通過在潛在空間中采樣并將這些樣本解碼回原始數(shù)據(jù)空間，VAEs就能夠生成新的數(shù)據(jù)樣本。

以下是VAE工作原理的簡(jiǎn)要概述：

• 編碼器接收一個(gè)數(shù)據(jù)樣本作為輸入，比如一張動(dòng)物的圖像。
• 編碼器生成數(shù)據(jù)的潛在空間表示，即圖像的壓縮版本。它捕獲了動(dòng)物的關(guān)鍵特征，如形狀、大小和毛色。
• 潛在空間表示隨后被送入解碼器。
• 解碼器生成一個(gè)重構(gòu)的數(shù)據(jù)樣本，即一個(gè)新的動(dòng)物圖像，與原始圖像非常相似。

編碼器和解碼器通過訓(xùn)練來減少重構(gòu)圖像和原始圖像之間的差異。這一過程是通過使用比較兩張圖片相似度的損失函數(shù)來實(shí)現(xiàn)的。

VAEs作為一種強(qiáng)大的生成建模工具，廣泛應(yīng)用于圖像生成、文本生成、數(shù)據(jù)壓縮和數(shù)據(jù)去噪等領(lǐng)域。它們?yōu)榻：蜕蓮?fù)雜數(shù)據(jù)分布提供了一個(gè)概率框架，并在數(shù)據(jù)生成和插值中保持了一個(gè)結(jié)構(gòu)化的潛在空間。

VAEs具有生成與真實(shí)數(shù)據(jù)高度相似樣本的能力，使其在數(shù)據(jù)增強(qiáng)方面也具有重要作用。這意味著VAEs生成的增強(qiáng)數(shù)據(jù)不僅高度真實(shí)，而且與底層的數(shù)據(jù)分布保持一致，這對(duì)于有效的數(shù)據(jù)增強(qiáng)至關(guān)重要。

在VAEs的結(jié)構(gòu)化潛在空間中，每一個(gè)點(diǎn)都代表了有意義的數(shù)據(jù)變化。這不僅可以進(jìn)行受控的數(shù)據(jù)創(chuàng)建，也允許用戶通過在潛在空間的不同位置進(jìn)行采樣，來創(chuàng)建具有特定屬性或變體的新數(shù)據(jù)實(shí)例，從而適用于目標(biāo)導(dǎo)向的數(shù)據(jù)增強(qiáng)。

在真實(shí)數(shù)據(jù)有限的情況下，VAEs可以通過生成合成數(shù)據(jù)來解決數(shù)據(jù)不足的問題。這在收集更多真實(shí)數(shù)據(jù)不現(xiàn)實(shí)或成本高昂時(shí)尤為寶貴。

隨著VAEs技術(shù)的不斷進(jìn)步，其在訓(xùn)練機(jī)器學(xué)習(xí)模型中可能會(huì)發(fā)揮越來越重要的作用。

結(jié)論

在機(jī)器學(xué)習(xí)領(lǐng)域的數(shù)據(jù)增強(qiáng)實(shí)踐中，生成模型扮演了至關(guān)重要的角色。

例如，GANs被廣泛應(yīng)用于合成人臉圖像，這些生成的圖像被進(jìn)一步用于訓(xùn)練機(jī)器學(xué)習(xí)模型，以便在真實(shí)圖像中檢測(cè)人臉。

VAEs也被用于創(chuàng)建汽車的合成圖像，這些圖像隨后被納入機(jī)器學(xué)習(xí)模型的訓(xùn)練過程中，用以識(shí)別真實(shí)照片中的汽車。

這些實(shí)例均體現(xiàn)了生成模型在數(shù)據(jù)增強(qiáng)領(lǐng)域中的實(shí)際應(yīng)用價(jià)值。

譯者介紹

劉濤，51CTO社區(qū)編輯，某大型央企系統(tǒng)上線檢測(cè)管控負(fù)責(zé)人。

原文標(biāo)題：How Do Generative Models Work in Deep Learning? Generative Models For Data Augmentation Explained，作者：Oyedele Tioluwani Taiwo

鏈接：

https://www.freecodecamp.org/news/generative-models-for-data-augmentation。