تقنية مراجعة AI حسب: ونحن نعلم جميعا أن أداء نموذج التعلم العميق وزيادة وتحسين البيانات والتدريب، وذلك من أجل تحسين بيانات الأداء نموذج والتصميم والتدريب على البحوث تضخيم جوانب النموذج نفسه أيضا كثيرا باستمرار. للمهام المتعلقة صورة، عادة لدينا وسائل التضخيم أساس تحويل البيانات، لديك مجموعة من العنف على غرار جوجل، وهناك شاهد الفيسبوك لتحميل باستخدام صورة التسمية، ولكن أيضا أبل يولد وصقل. طريقة توليد البيانات، بطبيعة الحال، هو أفضل، بعد كل شيء، العديد من المهام في جميع الصور ذات الصلة تضيف ما يصل الى ليس كثيرا، ولكن في الوقت نفسه البيانات ولدت هي أيضا إمكانية الوصول المباشر إلى التسمية حقا. ولكن وسيلة لتوليد البيانات أيضا مشاكل خطيرة، وهذا هو الفرق بين البيانات وسيتم توزيع مجموعات البيانات ومجموعات البيانات الحقيقية ولدت، هذه الاختلافات تحد من فعالية وسيلة لتوليد البيانات.
تحقيق لتوليد مجموعات البيانات ومجموعات البيانات الحقيقية في الوقت الراهن، هناك العديد من الاختلافات في النتائج، مثل تعلم مهام مختلفة ملامح الصورة العامة، وتعلم أسلوب الهجرة الصورة، حتى تتمكن من تقديم الجيل صورة مجموعة البيانات تبدو أشبه الصورة الحقيقية. ولكن الكتاب الصحيفة القول بأن الصورة ليست سوى الفرق الصغيرة في عوامل نمط، أكثر الفرق المهم هو الفرق في محتوى الصورة، ويجب أن تكون الصورة الناتجة مفيدة للمهام الجديدة. التقليدية طريقة توليد صورة يمكن أن تغطي سوى مشهد محدود، وجوه محدودة، وتغيير محدود والتوزيع غير الكافي للتوصيف تقلب وخصائص الأجسام في العالم الحقيقي، والكتاب يقترح على مجموعات البيانات كيتى، على سبيل المثال، بياناته جمعت في ألمانيا، ولكنها تستخدم ربما غيرهم من الباحثين مجموعة البيانات هذه هو نظام التدريب التي تريد استخدامها في اليابان، فإن مضمون المشهد سيكون مختلفا، وحتى خدمة أهداف مهمة يمكن أن تكون مختلفة. انها ليست يتم حل كل ما هو متاح طريقة توليد البيانات، حتى من دون النظر في الجوانب. إذا كان هناك نسخة كاملة في بيئة افتراضية لإنتاج الكلمات والمال والوقت التكاليف هي أيضا عالية جدا.
الفوقية سيم ولدت يمكن تخفيض مجموعات البيانات والتوزيع بين الجيل البيانات الحقيقية، ولكن أيضا لتحسين مهمة المصب
لذلك في ورقة: و"ميتا سيم التعلم لتوليد مجموعات البيانات الاصطناعية"، والكتاب تشير بشكل لا لبس فيه أن هدف أبحاثهم هو توليد مجموعات البيانات وضع علامات على نطاق واسع تلقائيا، وهذه مجموعة البيانات مفيد للمهام المصب (مجموعة البيانات توزيع المحتوى قادرة على تلبية سيناريوهات الاستخدام المستهدف). طريقة الكتاب الحاضر هو ميتا سيم، وسوف تتعلم أن النموذج التوليدي للمشهد تصنيعه حديثا، ويمكن أن تكون متزامنة للحصول على القيمة الحقيقية للتدريب مع الرسومات التسمية والمقابلة عبر محرك الرسومات. المؤلفون تليها الشبكة العصبية لتوليد مجموعة البيانات من المعلمات، بحيث يمكن أن تتعلم لتعديل خصائص بنية المشهد من التوزيعات الاحتمالية FIG تم الحصول عليها من محتوى المشهد، من أجل الحد من قوة المحرك بين صورة وصورة الهدف الشخصي مجموعة البيانات الخلافات. إذا كنت تريد أن مجموعات البيانات الحقيقية تقليد يتم وضع علامة مع مجموعة صغيرة من التحقق من صحة الكلمات، قد يكون الأمثل بالإضافة إلى واضعي طريقة للهدف يوان واحد، وهذا يمكن أن يكون الأمثل للمهام المصب المهمة مجموعة البيانات الحالية. تبين التجارب أنه بالمقارنة مع المشهد احتمال توزيع المحتوى مصممة بشكل مصطنع، طريقتهم المقترحة يمكن أن تحسن كثيرا يتم إنشاء نوعية المحتوى، يمكن وصفها على المهام المصب والتحقق منها كميا. مزيد من التفاصيل يمكن العثور عليها في الورقة الأصلية.
الكتاب ورقة من NVIDIA، جامعة تورنتو، ناقل كلية الذكاء الاصطناعي ومعهد ماساتشوستس للتكنولوجيا.
انظر الصفحة الرئيسية للمشروع: الشبكي: //nv-tlabs.github.io/meta-sim/
عنوان ورقة: الشبكي: //arxiv.org/abs/1904.11621
