Síntesis de datos condicionales Aumento de la síntesis de datos condicionales

Área de la Ciencia:

• Aprendizaje automático Aprendizaje automático.
• Ciencia de datos Ciencia de datos.
• La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

• El aprendizaje automático fiable y el análisis estadístico requieren datos de entrenamiento diversos y bien distribuidos.
• Los conjuntos de datos del mundo real a menudo sufren de un tamaño limitado y una subrepresentación de las subpoblaciones clave, lo que lleva a predicciones sesgadas y un rendimiento reducido del modelo, especialmente en tareas de aprendizaje supervisado como la clasificación.

Objetivo del estudio:

• Introducir Conditional Data Synthesis Augmentation (CoDSA), un nuevo marco diseñado para sintetizar datos de alta fidelidad para mejorar el rendimiento del modelo.
• Para abordar los desafíos planteados por conjuntos de datos limitados y desequilibrados en dominios multimodales (tabulares, textuales, de imagen).

Principales métodos:

• Aprovechar modelos generativos, específicamente modelos de difusión, para sintetizar datos de alta fidelidad.
• Ajuste fino de modelos generativos previamente entrenados a través del aprendizaje de transferencia para mejorar el realismo de los datos sintéticos y aumentar la densidad de la muestra en áreas escasas.
• Desarrollo de un marco teórico para cuantificar las mejoras en la precisión estadística basada en el volumen de la muestra sintética y la asignación de la región objetivo.

Principales resultados:

• CoDSA genera muestras sintéticas que capturan con precisión las distribuciones condicionales, centrándose en las regiones con menos muestras.
• El marco preserva las relaciones intermodales, mitiga el desequilibrio de los datos, mejora la adaptación del dominio y mejora la generalización.
• Experimentos extensos muestran que CoDSA supera constantemente las estrategias de aumento no adaptativas y las líneas de base de vanguardia tanto en entornos supervisados como no supervisados.

Conclusiones:

• CoDSA ofrece una solución robusta para el aumento de datos, abordando efectivamente las limitaciones de los datos y mejorando el rendimiento del modelo de aprendizaje automático.
• El marco propuesto proporciona garantías formales de eficacia y demuestra un rendimiento superior en diversas modalidades de datos y tareas de aprendizaje.