NVIDIA的研究人员创造了一种增强方法来训练生成对抗性网络（GANF），与先前的方法相比，这种方法需要的数据量相对更少。
NVIDIA的这种GAN网络，可用于风景画等艺术作品的创作，还可制作一些用于视频会议的作品。（GAN是人工智能的一种形式，它将产生器网络与鉴别器网络相匹配，以创建图像或视频。）训练GANs可能需要10万张以上的图像，但论文“利用有限数据训练生成对抗性网络”中提出了一种称为自适应鉴别器增强（ADA）的方法，利用这种方法训练GAN，可使需要的数据减少10到20倍。
“小型数据集的关键问题是：鉴别器会产生过拟合，训练开始发散，使得产生器的反馈变得毫无意义“论文中这样描述”通过在多个数据集上进行训练，结果证明，现在只使用几千张图片就可以取得好的结果，而Style GAN2的训练结果则需要与更少的图像匹配。”
今年早些时候，来自Adobe Research、MIT和北京清华大学的研究人员详细介绍了GANS增强的另一种方法DiffAugment。
NVIDIA副总裁，图学研究员David Luebke声称，做过实用数据科学的人都知道：大部分时间都用在收集和管理数据上，这通常称为ETL渠道：提取、转换和加载。
他说：“仅这一项工作就需要大量实地数据科学人员，我们认为这种方法非常有用，因为你无需巨量的数据，也能获得有用的结果。”
他说：“对于那些没有大量时间对数据进行标注的数据科学人员来说，这一点变得尤为重要。”
论文的作者认为：减少数据约束可以授权研究人员检查GANs的新用例。除了创造人或动物的假照片外，研究人员认为GAN可能在医学成像数据中得到应用。
“如果有一位专门研究某一特定领域的放射科医生……让他或她坐下来为5万张照片粘贴标签可能不太实际….. .但是让他们为1，000张照片贴标签似乎比较可能的。这的确降低了数据科学家需要投入的数据管理的工作量，进而方便了研究工作，“Luebke说。
在世界上最大的年度AI研究会议——NeurIPS会议上，作为神经消息处理网络的一部分，本周发布了一篇详细介绍该方法的论文。
“用有限的数据训练生成对抗性网络”并不是唯一与GAN相关的论文。另一篇研究论文介绍了鉴别器驱动的潜在抽样（DDLS），利用CIFAR-10数据集进行评估时，DDLS提高了GAN的性能。这篇论文是由MILA魁北克人工智能研究所和Google大脑研究人员合作撰写，作者包括Yoshua Bengio和Hugo Larochelle，蒙特利尔Google大脑小组组长，NeurIPS会议常务主席。