<p>在機器學習模型能夠完成一項任務之前，例如在醫(yī)學圖像中識別癌癥，該模型必須經(jīng)過訓練。訓練圖像分類模型通常涉及向模型展示聚集在一個龐大數(shù)據(jù)集中的數(shù)百萬例圖像。</p> <p>&nbsp;</p> <p>然而，使用真實的圖像數(shù)據(jù)可能會引發(fā)實際和倫理方面的擔憂:這些圖像可能會違反版權法，侵犯人們的隱私，或對特定種族或民族群體有偏見。為了避免這些陷阱，研究人員可以使用圖像生成程序為模型訓練創(chuàng)建合成數(shù)據(jù)。但這些技術是有限的，因為通常需要專業(yè)知識手工設計一個圖像生成程序，可以創(chuàng)建有效的訓練數(shù)據(jù)。</p> <p>&nbsp;</p> <p>來自麻省理工學院、MIT- ibm沃森人工智能實驗室和其他地方的研究人員采取了不同的方法。他們沒有為特定的訓練任務設計定制的圖像生成程序，而是從互聯(lián)網(wǎng)上收集了21,000個公開可用的程序數(shù)據(jù)集。然后，他們使用大量的基本圖像生成程序來訓練計算機視覺模型。</p> <p>&nbsp;</p> <p>這些程序產(chǎn)生各種各樣的圖像，顯示簡單的顏色和紋理。研究人員沒有策劃或修改這些程序，每個程序只包含幾行代碼。</p> <p>&nbsp;</p> <p>與其他經(jīng)過綜合訓練的模型相比，他們用這個大型程序集訓練的模型對圖像的分類更加準確。雖然他們的模型表現(xiàn)不如那些用真實數(shù)據(jù)訓練的模型，但研究人員表明，增加數(shù)據(jù)集中圖像程序的數(shù)量也會提高模型的性能，揭示了一條獲得更高精度的路徑。</p> <p>&nbsp;</p> <p>&ldquo;事實證明，使用大量未經(jīng)策劃的程序實際上比使用一小組人們需要操縱的程序要好。數(shù)據(jù)很重要，但我們已經(jīng)證明，在沒有真實數(shù)據(jù)的情況下，你可以走得很遠，&rdquo;在計算機科學和人工智能實驗室(CSAIL)工作的電氣工程和計算機科學(EECS)研究生Manel Baradad說，他是描述該技術的論文的主要作者。</p> <p>&nbsp;</p> <p>合著者包括中國國際工程學院EECS系研究生王通洲;MIT-IBM沃森人工智能實驗室首席科學家兼經(jīng)理Rogerio Feris;Antonio Torralba，電氣工程和計算機科學德爾塔電子教授，CSAIL成員;資深作者菲利普&middot;伊索拉(Phillip Isola)， EECS和CSAIL的副教授;以及摩根大通銀行和Xyla, Inc.的其他人。這項研究將在神經(jīng)信息處理系統(tǒng)會議上發(fā)表。</p> <p>&nbsp;</p> <p>反思pretraining</p> <p>&nbsp;</p> <p>機器學習模型通常是預先訓練的，這意味著它們首先在一個數(shù)據(jù)集上訓練，以幫助它們構建可以用于處理不同任務的參數(shù)。x射線分類模型可以先使用大量合成生成的圖像數(shù)據(jù)集進行預訓練，然后再使用小得多的真實x射線數(shù)據(jù)集進行實際任務訓練。</p> <p>這些研究人員先前表明，他們可以使用少量的圖像生成程序為模型預訓練創(chuàng)建合成數(shù)據(jù)，但這些程序需要精心設計，以便合成圖像與真實圖像的某些屬性匹配。這使得這項技術難以擴大規(guī)模。</p> <p>&nbsp;</p> <p>在新的工作中，他們使用了大量的非策劃圖像生成程序的數(shù)據(jù)集。</p> <p>&nbsp;</p> <p>他們從網(wǎng)上收集了21000個圖像生成程序。所有的程序都是用一種簡單的編程語言編寫的，只包含一些代碼片段，因此它們可以快速生成圖像。</p> <p>&nbsp;</p> <p>&ldquo;這些程序是由世界各地的開發(fā)人員設計的，以產(chǎn)生具有我們感興趣的一些屬性的圖像。它們產(chǎn)生的圖像看起來有點像抽象藝術，&rdquo;巴拉達德解釋道。</p> <p>&nbsp;</p> <p>這些簡單的程序運行速度非常快，以至于研究人員不需要提前生成圖像來訓練模型。研究人員發(fā)現(xiàn)，他們可以同時生成圖像和訓練模型，從而簡化了過程。</p> <p>&nbsp;</p> <p>他們使用大量的圖像生成程序數(shù)據(jù)集，對計算機視覺模型進行有監(jiān)督和無監(jiān)督圖像分類任務的預訓練。在監(jiān)督學習中，對圖像數(shù)據(jù)進行標記，而在無監(jiān)督學習中，模型學習對沒有標記的圖像進行分類。</p> <p>&nbsp;</p> <p>提高準確性</p> <p>&nbsp;</p> <p>當他們將預先訓練的模型與使用合成數(shù)據(jù)預先訓練的最先進的計算機視覺模型進行比較時，他們的模型更準確，這意味著他們更經(jīng)常地將圖像放入正確的類別。雖然準確性水平仍然低于用真實數(shù)據(jù)訓練的模型，但他們的技術將用真實數(shù)據(jù)訓練的模型與用合成數(shù)據(jù)訓練的模型之間的性能差距縮小了38%。</p> <p>&nbsp;</p> <p>&ldquo;重要的是，我們發(fā)現(xiàn)，對于收集的程序數(shù)量，性能呈對數(shù)增長。我們不會使性能飽和，所以如果我們收集更多的程序，模型的性能會更好。因此，我們有辦法擴展我們的方法，&rdquo;Manel說。</p> <p>&nbsp;</p> <p>研究人員還使用每個單獨的圖像生成程序進行預訓練，以努力發(fā)現(xiàn)有助于模型準確性的因素。他們發(fā)現(xiàn)，當一個程序生成更多樣化的圖像集時，該模型表現(xiàn)得更好。他們還發(fā)現(xiàn)，彩色圖像和充滿整個畫布的場景往往最能提高模型的性能。</p> <p>&nbsp;</p> <p>現(xiàn)在，他們已經(jīng)證明了這種預訓練方法的成功，研究人員希望將他們的技術擴展到其他類型的數(shù)據(jù)，如包括文本和圖像的多模態(tài)數(shù)據(jù)。他們還想繼續(xù)探索提高圖像分類性能的方法。</p> <p>&nbsp;</p> <p>&ldquo;與根據(jù)真實數(shù)據(jù)訓練的模型相比，仍有差距要縮小。這為我們的研究指明了方向，我們希望其他人也能效仿。&rdquo;</p> <p>&nbsp;</p> <blockquote> <p>注：本文由院校官方新聞直譯，僅供參考，不代表指南者留學態(tài)度觀點。</p> </blockquote>