データ拡張生成対抗ネットワーク

効果的なニューラルネットワークのトレーニングには、多くのデータが必要です。データが少ない状況では、パラメータが過剰決定され、学習したネットワークは一般化が不十分になります。データ拡張は、既存のデータをより効果的に利用することでこれを軽減します。しかし、標準のデータ拡張では、限られた信頼できる代替データしか生成されません。より広範な拡張セットを生成する可能性があるため、データ拡張を行う生成モデルを設計し、トレーニングします。このモデルは、画像条件付き生成対抗ネットワークに基づいており、ソースドメインからデータを取り、任意のデータアイテムを一般化して他の同クラスのデータアイテムを生成することを学習します。この生成プロセスはクラス自体に依存しないため、新しい未見のデータクラスに適用できます。私たちは、データ拡張生成対抗ネットワーク（DAGAN）が標準的なバニラ分類器をうまく拡張することを示します。また、DAGANがマッチングネットワークなどの少ないショット学習システムを強化できることも示します。これらのアプローチをOmniglot、DAGANをOmniglotで学習したEMNIST、およびVGG-Faceデータセットで実証します。実験では、Omniglotの低データ状況において、正確性が13%以上向上するのが見られます（69%から82%、EMNISTでは73.9%から76%、VGG-Faceでは4.5%から12%）；Omniglotのマッチングネットワークで0.5%の増加（96.9%から97.4%）、EMNISTで1.8%の増加（59.5%から61.3%）を観察しました。