要制造在暴风雪中也不偏离车道的自动驾驶汽车、凭低画质照片也能诊断癌症的医疗AI,AI模型的“稳健性”必须出色。数据增强作为提升这种稳健性的方法被广泛使用,而国内研究团队已用数学方式证明了其提升稳健性的确切条件。仅凭数学验证即可筛选出有效的增强方法,预计将大幅提高AI模型开发的生产效率。
蔚山科学技术院(UNIST)人工智能研究生院尹成焕教授团队19日表示,已用数学方式证明了作为AI学习必备环节的数据增强提升模型稳健性的条件。
深度学习模型存在一个弱点:一旦暴露于与所学数据略有不同的环境,性能就会急剧下降。这正是通过人为对原始数据施加变形以增加学习量的数据增强不可或缺的原因。但由于哪种变形方式最有效尚无明确结论,此前只能反复进行大量试错。
根据此次研究,越是满足“邻近支撑增强”(PSA,Proximal-Support Augmentation)条件的增强,越能取得预期效果。PSA是对原始数据施加细微变形、密集填充原始数据周边的增强方式。
研究团队首先证明了数据空间与参数空间中的变化彼此对应,随后证实满足PSA条件的数据空间变化会使参数空间的损失函数地形变得平坦,从而揭示了上述事实。也就是说,若密集填充输入数据周边,与之对应的模型内部参数空间也会变得平坦,AI由此具备稳健性。当模型损失函数的地形平坦(Flat Minima)时,其稳健性高于尖锐地形(Sharp Minima)。
此外,在实际实验中,满足PSA条件的数据增强方法也表现出远优于未满足者的稳健性。
研究团队表示:“这是将数据增强设计变为更加系统化科学的研究”,“在自动驾驶、医疗影像、制造检测等分布频繁变化的实际环境中,这将成为构建可信赖AI模型的重要理论基础。”
此次研究被全球人工智能学术会议之一的美国人工智能协会(AAAI,Association for the Advancement of Artificial Intelligence)2026大会正式录用为论文。今年的会议将于20日至27日在新加坡举行。
该研究通过韩国科学技术情报通信部和信息通信规划评价院(IITP)的“地区智能化创新人才培养项目(蔚山科学技术院)”“人工智能研究生院(蔚山科学技术院)”项目、“AI明星研究员项目(蔚山科学技术院)”项目、“以人为本的下一代挑战型AI技术开发”项目,以及韩国研究基金会支持的个人基础研究中坚研究完成。






