Las redes generativas adversarias condicionales y la ampliación de datos de aprendizaje profundo: una encuesta basada en datos desde múltiples perspectivas a través de diversos campos de aplicación y arquitecturas de clasificación
Autores: Ribas, Lucas C.; Casaca, Wallace; Fares, Ricardo T.
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Las redes generativas adversarias condicionales y la ampliación de datos de aprendizaje profundo: una encuesta basada en datos desde múltiples perspectivas a través de diversos campos de aplicación y arquitecturas de clasificación
Categoría
Ingeniería y Tecnología
Subcategoría
Inteligencia Artificial
Palabras clave
Entrenamiento de modelos de aprendizaje profundo
Conjuntos de datos grandes
Métodos de aumento de aprendizaje profundo
Generalización del modelo
Tamaño del conjunto de datos
Métodos de aumento de datos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Entrenar de manera efectiva modelos de aprendizaje profundo depende en gran medida de conjuntos de datos grandes, ya que instancias insuficientes pueden obstaculizar la generalización del modelo. Una forma simple pero efectiva de abordar esto es aplicando métodos modernos de aumento de aprendizaje profundo, ya que sintetizan nuevos datos que coinciden con la distribución de entrada mientras preservan el contenido semántico. Si bien estos métodos producen muestras realistas, persisten problemas importantes en cuanto a cuán bien se generalizan a través de diferentes arquitecturas de clasificación y su impacto general en la mejora de la precisión.
Descripción
Entrenar de manera efectiva modelos de aprendizaje profundo depende en gran medida de conjuntos de datos grandes, ya que instancias insuficientes pueden obstaculizar la generalización del modelo. Una forma simple pero efectiva de abordar esto es aplicando métodos modernos de aumento de aprendizaje profundo, ya que sintetizan nuevos datos que coinciden con la distribución de entrada mientras preservan el contenido semántico. Si bien estos métodos producen muestras realistas, persisten problemas importantes en cuanto a cuán bien se generalizan a través de diferentes arquitecturas de clasificación y su impacto general en la mejora de la precisión.