Nov, 2018

论基于 GAN 的数据增强在延续偏见方面对工程师的想象

PDF
TL;DR使用生成对抗网络（GAN）生成合成数据进行数据增强已成为许多应用程序的流行方法，但这种技术具有的内在缺陷应引起从业人员的重视，例如 GAN 增强数据可能会强化和甚至放大训练数据中的偏差，这应该成为普通从业人员的警示。
generative adversarial networksdata augmentationdata biasessynthetic engineerstraining data
发现论文，激发创造
  • Imperfect ImaGANation: GAN 加重偏见，对面部数据增强和 Snapchat 自拍镜头的影响

    本研究表明，基于 Generative Adversarial Networks（GANs）的数据增强方法在数据集存在偏向性的情况下，可能会加剧性别和肤色偏见等潜在维度的偏向。特别地，我们展示了 GANs 进一步扭曲了由工程师头像组成的数据集的分布，会对少数族裔造成负面影响。因此，本研究是一种警示性的学术探究。

    Jan, 2020

  • 小样本基于 GAN 的数据增强中的偏差探究

    本研究探讨了生成对抗网络（GAN）的数据增强中的偏见问题，通过实验设计了一种数据集筛选的流程来减少 GAN-based 数据增强方法的偏见，并最终提出了一些应对方案以减缓偏见对模型性能的影响。

    May, 2019

  • 生成对抗网络用于数据增强

    使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

    Jun, 2023

  • 基于 GAN 的胸部 X 光分类数据增强

    本文探讨了在医疗领域电脑视觉技术中普遍存在的数据样本数量不足和分类失衡的问题，并通过使用生成对抗网络技术来增强数据集以改善网络性能，结果表明这种方法适用于低数据的情况，是值得进一步研究的领域。

    Jul, 2021

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018

  • 利用生成对抗网络进行数据增强

    本文提出了使用生成对抗网络（GAN）生成机器学习任务的人工训练数据，以解决样本不平衡问题与个人隐私数据问题，在多个基准数据集上测试表明，使用 GAN 生成的训练数据进行决策树分类器训练可以取得与使用原始数据集训练 DT 相同或更好的准确性和召回率.

    Apr, 2019

  • 计算机视觉中合成数据增强方法的调查

    这篇论文对合成数据增强技术进行了广泛评估，包括基于真实 3D 图形建模、神经风格迁移、差分神经渲染、生成对抗网络和变分自编码器等生成人工智能技术。对于每一种方法类别，我们关注重要的数据生成和增强技术、广泛的应用范围和具体的用例，以及现有限制和可能的解决方法。此外，我们总结了用于训练计算机视觉模型的常见合成数据集，强调主要特点、应用领域和支持的任务。最后，我们讨论了合成数据增强方法的有效性，并希望通过这篇详细的论文为读者提供必要的背景信息和深入了解现有方法及相关问题。

    Mar, 2024

  • 分析虚假训练数据对深度学习系统性能的影响

    本文深入分析了使用不同比例的真实数据和合成数据来训练计算机视觉模型对模型鲁棒性和预测质量的影响，证明使用生成对抗网络生成高质量合成数据可以减轻深度学习模型面临的挑战。

    Mar, 2023

  • 关于 GAN 在人脸验证中的偏差行为

    本文介绍了深度学习系统需要大量数据进行训练的主题，提出了使用生成模型（如 GAN）生成合成数据的替代方法。然而，我们证明使用 GAN 生成的数据容易存在偏见和公平性问题，尤其是针对年龄段在 20-29 岁之间的白人脸部图像生成存在偏见。此外，我们还证明了在微调人脸验证系统时，合成人脸会对种族属性造成不公平影响。

    Aug, 2022

  • 公平合成数据生成

    本研究提出一种通过预处理算法识别和删除偏差样本以生成更公平的合成数据的管道，可以有效地克服许多挑战，并在某些情况下提高性能。

    Oct, 2022