機械学習のための合成データ

機械学習技術を多くのユーザーに普及させる上での主な障壁はデータです。効果的であるためには、これらの技術は多量のデータを要求します。正確な予測を得るために、分類または回帰問題を解決するために使用されるほとんどのアルゴリズムは、大量のデータを必要とします。しかし、すべてのユーザーが「ビッグデータ」として知られる大量のデータにアクセスできるわけではありません。逆に、ビジネスの世界や専門的な活動、学術界においても、大多数のユーザーは限られた量のデータを扱っています。データへのアクセスは高コストで時間がかかります。 

この障壁を克服するためには、ユーザーが利用できるデータをもっと増やす必要があります。これには二つの解決策があります。第一の解決策は、ユーザーが意思決定に利用できる外部データソースへのアクセスを提供することです。私たちはすでにNextBrainでいくつかのコネクタを提供することでこれを実施しています。第二の解決策は、文字通りデータを「発明する」ことです。しかし、私たちはどのようにデータを「発明」するのでしょうか？それは可能です。今ではそれを可能にする技術があります。私たちは解決したい問題を説明するデータのスプレッドシートを持っていると言います。私たちは、そのテーブルには20行と10列があると言います。機械学習技術はこれ以上のデータを必要とします。これらのデータでは、どのアルゴリズムも限界があり、導き出せる結論は疑わしいものになります。しかし、このテーブルに基づいて300行と10列の別のテーブルを作成することを考えてみてください。これにより、アルゴリズムからより現実的な結果を得ることができるようになります。 

 

 

 

生成対抗ネットワーク、またはGANは、これらの生成アプリケーションの中心にある技術です。GANは2014年にイアン・グッドフェローによって導入されました。このアイデアは、2つの異なるニューラルネットワークを設計し、それらを対抗させることでした。最初のニューラルネットワークは、入力データに統計的に類似した新しいデータを生成することから始まります。2番目のニューラルネットワークは、どのデータが人工的に作成され、どれがそうでないかを識別することを任されています。両方のネットワークは常に互いに競い合っており、最初のネットワークは2番目のネットワークを欺こうとし、2番目のネットワークは最初のネットワークが何をしているのかを理解しようとします。このゲームは、2番目のネットワークが最初のネットワークの出力から来ているデータと元のデータを「識別」できなくなったときに終了します。最初のネットワークをジェネレーターと呼び、2番目のネットワークをディスクリミネーターと呼びます。

 

   NextBrainでは、Wasserstein GAN（Arjovsky et al, 2017）に基づいた独自のGANアーキテクチャをリリースしました。非常に少数のサンプルでトレーニングするために適した特別なアーキテクチャを開発しました。