Si su pregunta tiene que ver con aumentar su entrenamiento y probar el conjunto de datos usando entrenamiento adversario, entonces SÍ. Ya se ha demostrado que funciona con un éxito notable, por ejemplo: este artículo reciente en ICCV’17 [1] obtiene más datos de entrenamiento solo del conjunto de entrenamiento y usa dichos datos recién generados con regularización de suavizado de etiquetas para valores atípicos (LSRO) para regularizar El modelo supervisado y mejora la línea de base. Incluso verifican el método propuesto sobre el problema práctico de la reidentificación de personas (re-ID).
Entonces, definitivamente, sí, pero como con cualquier cosa, el dominio específico del problema implicará algunas modificaciones vitales.
Notas al pie
- Cómo etiquetar los datos conversacionales para la capacitación en PNL
- En términos simples, ¿cómo funciona Gibbs Sampling?
- ¿Se recomienda que un desarrollador Java experimentado aprenda y pase al aprendizaje automático? ¿Qué tan difícil / fácil es?
- ¿Por qué las personas usan Keras en el back-end de TensorFlow y no solo en TensorFlow?
- ¿Cuáles son las áreas más activas de investigación de aprendizaje automático para la aplicación de datos tabulares? Mis datos están en forma de CSV con unos pocos miles de instancias.
[1] [1701.07717] Las muestras sin etiquetar generadas por GAN mejoran la re-identificación de la persona de referencia in vitro
