AI自给自足！用合成数据做训练，效果比真实数据还好丨ICLR 2023
社区的愿景是促进国内外自然语言处理，机器学习学术界、产业界和广大爱好者之间的交流和进步，特别是初学者同学们的进步。转载自 | 量子位作者 | Brilliant
AI生成的图像太逼真，为什么不能拿来训练AI呢？
可别说，现在还真有人这么做了。
来自香港大学、牛津大学和字节跳动的几名研究人员，决定尝试一下能否使用高质量AI合成图片，来提升图像分类模型的性能。
为了避免AI合成的图像过于单一、或是质量不稳定，他们还提出了几类提升数据多样性和可靠性的方法，帮助AI合成更好的数据集（来喂给AI的同类doge）。
结果他们发现，不仅效果不错，有的AI在训练后，效果竟然比用真实数据训练还要好！
目前这篇论文已经被ICLR 2023收录。
把AI生成的数据喂给AI
作者们分别从零样本（zero-shot）、少样本（few-shot）图像分类、模型预训练（pre-training）与迁移学习三个⽅⾯进⾏了探讨，并给出了提升数据多样性与可靠性的方法。
零样本图像分类
零样本（Zero-shot）图像分类任务，指没有任何⽬标类别的训练图⽚，只有对⽬标类别的描述。
作者们先是提出了一种名为语言增强（Language Enhancement，LE）的⽅法，用于增强合成数据多样性。
具体来说，这种方法会给标签“扩句”，如果原标签是简单的“飞机”，那么经过“扩句”后的提示词就会变成“一架盘旋在海滩和城市上空的白色飞机”。
随后，还采用了一种叫做CLIP过滤器（CLIP Filter）的⽅法确保合成数据的可靠性，即过滤掉合成质量不行的图片，确保AI数据质量过硬。
在17个数据集上，相⽐此前效果最好的CLIP模型，相关⼤⼩模型均获得了显著提升（4.31%/2.90%），展示了合成数据的有效性。
少样本图像分类
少样本图像（Few-shot）分类任务，通常仅有极少数量（1～16张）的⽬标类别图⽚，与零样本任务的区别是增加了类别与任务特定领域信息。
因此，作者们决定将域内数据（in-domain）的知识⽤于图像⽣成，即将少量的⽬标类别图⽚⽤于噪声叠加的初始状态（Real Guidance），进⼀步发挥⽣成模型的能⼒，从而进⼀步提升性能。
预训练与迁移学习
模型预训练（pre-training）任务，即将模型在⼤量数据上进⾏训练，将训练后的模型作为“起始点”，来帮助提升下游任务的性能。
作者们利⽤合成数据，对模型进⾏了预训练，并对数据量、数据多样性程度、预训练模型结构和预训练⽅法进⾏了实验研究。
最终发现：
⽤合成数据进⾏预训练。已经可以达到甚⾄超越⽤真实数据预训练的效果。
⽤更⼤的数据量和数据多样性的合成数据，可以获得更好的预训练效果。
从模型结构和预训练⽅法来看，ViT-based模型（相比convolutional-based模型）、⾃监督⽅法（相比有监督⽅法）会更适合合成数据下的预训练。
论文认为，利⽤⽣成模型产⽣的合成数据来帮助图像分类任务是可行的，不过也存在⼀定的局限性。
例如，如何处理特定任务的domain gap和数据多样性之间的trade-off，以及如何更有效地利⽤潜在⽆穷量的合成图⽚⽤于预训练，都是需要进一步去解决的问题。
作者介绍
一作何睿飞，香港大学在读博士生@CVMI Lab，指导老师为齐晓娟老师，本科毕业于浙江大学竺可桢学院，研究方向是data-efficient learning, vision-language model, knowledge distillation, semi/self-supervised learning。CVMI Lab 正在招收计算机视觉与深度学习方向的博士生，感兴趣的伙伴可以直接email老师！
对于将AI合成图像用于预训练模型这件事，你还能想到更高效的方法吗？
欢迎感兴趣的小伙伴一起讨论~
论文地址：
https://arxiv.org/abs/2210.07574
项目地址：
https://github.com/CVMI-Lab/SyntheticData
扫描二维码添加小助手微信
请备注：姓名-学校/公司-研究方向（如：小张-哈工大-对话系统）即可申请加入自然语言处理/Pytorch等技术交流群