#眾所周知，深度神經網路的效能很大程度上依賴訓練數據的數量和質量，這使得深度學習難以廣泛地應用於小數據任務。例如，在醫療等領域的小數據應用場景中，人力收集和標註大規模的資料集往往費時費力。為了解決這個數據稀缺問題並最小化數據收集成本，該論文探索了一個數據集擴增新範式，旨在自動生成新數據從而將目標任務的小數據集擴充為更大且更具信息量的大數據集。這些擴增後的資料集致力於提升模型的效能和泛化能力，並能夠用於訓練不同的網路結構
該工作發現只是利用現存方法無法很好地擴充資料集。 （1）隨機資料增強主要改變圖片的表面視覺特徵，但不能創造具有新物體內容的圖片（如下圖的荷花依然是同一個，沒有新荷花的生成），因此所引入的資訊量有限。更嚴重的是，隨機資料增強可能會裁剪醫學影像的病灶（變）位置，導致樣本的重要資訊減少，甚至產生雜訊資料。 （2）直接利用預訓練的生成（擴散）模型進行資料集擴增也無法很好地提升模型在目標任務上的表現。這是因為這些生成模型的預訓練資料往往與目標資料有較大的分佈差異，這導致它們所產生的資料與目標任務有一定的分佈和類別差距，無法確保所產生的樣本帶有正確的類別標籤且對模型訓練有益。
為了更有效地進行資料集擴增，研究人員探索了人類的聯想學習。當人類擁有物體的先驗知識時，可以輕鬆地想像出該物體的不同變體，例如下圖中狗子在不同種類、不同顏色、不同形狀或不同背景下的變體。這種想像學習的過程對於資料集擴增非常有啟發性，因為它不僅僅是簡單地擾動圖片中動物體的外觀，而是應用了豐富的先驗知識來創建具有新資訊量的變體圖片
然而，我們無法直接建模人類作為先驗模型來進行資料想像。但幸運地是，近期的生成模型（如 Stable Diffusion，DALL-E2）已經展現了強大的擬合大規模資料集分佈的能力，能夠產生內容豐富且逼真的圖片。這啟發了該論文使用預先訓練的生成模型作為先驗模型，利用它們強大的先驗知識來對小數據集進行高效地數據聯想和擴增。
基於上述想法，這項工作提出了一個新的指導式想像擴增框架（Guided Imagination Framework, GIF）。此方法能夠有效提升深度神經網路在自然和醫療圖片任務上的分類效能和泛化能力，並大幅減少因人工資料收集和標註所帶來的巨大成本。同時，所擴增的資料集也有助於促進模型的遷移學習，並緩解長尾問題。
接下來讓我們來看看，這資料集擴增新範式是怎麼設計的。
資料集擴增的挑戰與指導標準## 設計資料集擴增法會有兩個關鍵挑戰：（1）如何讓產生的樣本帶有正確的類別標籤？ （2）如何確保產生的樣本帶有新的資訊量，從而促進模型訓練？為了解決這兩個挑戰，這項工作透過大量的實驗發現了兩個擴增指導標準：（1）類別一致的資訊增強；（2）樣本多樣性提升。
方法框架# 基於所發現擴增指導標準，該工作提出了指導式想像擴增框架（GIF）。對於每個輸入的種子樣本 x，GIF 首先利用先驗生成模型的特徵提取器提取樣本特徵 f，並對該特徵進行噪音擾動:
。設定噪音(z,b)最簡單的方式是採用高斯隨機噪聲，但是它無法確保所產生的樣本具有正確的類別標籤並帶來更多的資訊量。因此，為了進行有效的資料集擴增，GIF 基於其發現的擴增指導標準對雜訊擾動進行最佳化，即
。
所用到的擴增指導標準實作如下。類別一致的資訊量指標：
；樣本多樣性指標：
。透過最大化這兩個指標，GIF 能夠有效優化雜訊擾動，從而產生既保持類別一致性，又帶來更大資訊量的樣本。
擴增有效性 GIF 具有更強的擴增有效性：GIF-SD 在6 個自然資料集上平均提高了36.9% 分類精度，並在3 個醫療資料集上平均提高了13.5% 分類精度。
#擴增效率# GIF 有更強的擴增有效率：在Cars 和DTD在資料集上，使用GIF-SD 進行5 倍擴增的效果甚至超過了使用隨機資料增強進行20 倍擴增的效果。
視覺化結果 現有的資料增強方法無法產生新的圖片內容，而GIF可以較好地產生帶有新內容的樣本。
現有的增強方法可能會削減醫學影像中病變位置，導致樣本資訊減少並產生噪聲，而GIF可以更好地保留它們的類別語意
計算與時間成本 與人工資料收集和標註相比， GIF 能夠大幅降低資料集擴增的時間和成本。
擴增資料的通用性# 一旦完成擴增，這些資料集可以直接用於訓練各種不同的神經網路模型結構。
提昇模型泛化能力 GIF 有助於提升模型的分佈外泛化效能（OOD generalization）。
緩解長尾問題 GIF 有助於緩解長尾問題。
安全性偵測# GIF 產生的影像是安全且無害的。
基於上述實驗結果，我們有理由相信透過模擬人類的類比與想像學習，論文所設計的方法能夠有效地擴增小數據集，從而提升深度神經網路在小數據任務場景上的落地和應用。
以上是引進全新的GIF框架：以人類為榜樣，資料集擴增的新典範已經到來的詳細內容。更多資訊請關注PHP中文網其他相關文章！
