Nvidia正在等待发布最新研究结果，通过现有数据集模拟新图像，以突破人工智能培训的潜力。 Nvidia展示了其最新的人工智能模型，该模型使用的是小型数据集，该数据集是生成对抗网络通常使用的数据集的一小部分。可以理解，这些数据集的对象是大都会艺术博物馆的艺术品。根据数据集，英伟达开发的人工智能可以创建新图像并复制原始艺术家的作品。这些图像可用于帮助进一步升级人工智能模型。人工智能通过应用与流行的NVIDIAStyleGAN2模型类似的突破性神经网络训练技术而取得了这一重要成就。这项技术称为“自适应识别器增强技术（ADA）”，Nvidia声称，该技术可以将所需的训练图像数量减少10到20倍，同时仍能获得良好的效果。 Nvidia图形研究副总裁David Luebke表示：这些结果意味着人们可以使用生成式对抗网络来解决花费太长时间或很难获取大量数据的问题。我迫不及待地希望看到艺术家，医学专家和研究人员在使用它。什么。医疗保健是Nvidia研究可以应用的特别令人兴奋的领域。例如，它可以帮助创建癌症组织学图像以训练其他AI模型。这一突破将帮助解决当前大多数数据集问题。人工智能培训通常需要大量数据集，但并非总是有效地获得它们。另一方面，很难确保大数据集的内容适当，并且不会无意间导致算法偏差。今年早些时候，麻省理工学院被迫删除了一个名为8000万个小图像的大数据集。该数据集在训练人工智能方面很流行，但发现包含带有种族主义，厌女症和其他不可接受标签的图像。麻省理工学院网站上的声明说，他们不知道这些冒犯性标签，它们是“使用来自WordNet的名词自动收集数据的结果”。该声明还解释说，数据集中包含的8000万张图像只有32×32像素大小，这意味着几乎不可能进行手动检查，并且不能保证将删除所有令人反感的图像。从一个可以手动检查的小型数据集开始，像NVIDIA ADA这样的技术可以用于创建新图像以模拟原始图像，并且可以按比例放大到训练人工智能模型所需的大小。 NVIDIA在博客中写道：“通常需要50,000至100,000的训练图像来训练高质量的生成对抗网络。但是在很多情况下，研究人员根本没有成千上万的样本图像可供使用。因为只有数千张图像可用于训练，并且许多生成式对抗网络在产生实际结果时将不准确。当鉴别器仅记住训练图像而不能向生成器提供有用的反馈时，就会出现此问题。正在过度拟合。”