Nvidia开发了一种用于训练生成对抗网络（Generative Adversarial Network, GAN）的新方法，有朝一日可以使该网络适用于更多类型的任务。在开始探究Nvidia的工作之前，先了解一下GAN的运行原理会 有所帮助。每个GAN都由两个相互竞争的神经网络组成：生成网络（Generator）和鉴别网络（Discriminator）。
在两个对抗网络中，其中一个算法的目标是创建新图像，另一个则会检查数以千计的样本图像。然后，它会使用这些数据来“指导”其对抗网络。为了创建始终如一的可信结果，传统GAN需要5万到10万张左右的训练图像。如果数量太少，它们往往会遇到“过度拟合”（Overfitting）的问题。在这种情况下，鉴别网络没有足够的基础来有效地指导生成网络。
传统资料增强法会衍生GAN网络滥用“失真”的问题
过去，AI研究人员试图解决此问题的常见方法就是使用“资料增强法”（Data Augmentation）。再次以图像算法为例，在没有太多材料可用的情况下，他们将尝试通过创建可用材料的“失真”副本来解决该问题。在这种情况下，失真可能意味着裁剪、旋转或反转图像。这里的想法是网络绝不会看到完全相同的图像两次。
这种方法的问题在于，这将导致GAN将学会模拟这些失真，而不是创建新的图像。NVIDIA新的“自适性鉴别增强技术”（Adaptive Discriminator Augmentation, ADA）方法仍然会使用资料增强法，但会自适应地这么做。它不会在整个训练过程中让图像失真，而是有选择地并刚刚好地加以失真化，进而让GAN避免过度拟合的问题。
NVIDIA方法的潜在结果可能比你想象的要有意义。训练AI编写新的纯文本冒险游戏很容易，因为算法可使用的材料够多。但对于研究人员可以向GAN寻求帮助的许多其他任务来说，情况并非如此。例如，精确地训练算法以发现罕见的神经性脑部病变极其困难，这是因为它太罕见了。但是，通过NVIDIA ADA方法训练的GAN网络可以解决这样的问题。另外一个好处是，医生和研究人员可以更容易地分享他们的研究与发现，因为他们的工作是基于AI创建的图像，而不是真实世界里的病患。NVIDIA接下来会在即将于12月6日举行的神经信息处理系统大会（NeurIPS）上分享有关其新ADA技术的更多信息。
（首图来源：Nvidia）