人们已经选择使用生成型AI模型来合成从面孔,公寓到蝴蝶的各种事物,但是一个新颖的子类别试图通过说明灾难性洪水的后果来提高对气候变化的认识。为了建立量化这些合成气候变化图像准确性的度量标准,蒙特利尔大学和斯坦福大学的研究人员最近在预印本中详细介绍了“几种”评估方法。他们说,他们的工作虽然是初步的,但开始弥合自动化和基于人类的生成量化之间的鸿沟。
该研究特别是由图灵奖获得者和蒙特利尔大学教授Yoshua Bengio共同撰写的,他是最早将神经网络与序列概率模型结合在一起的人之一。在将近二十年前发表的一篇论文中,他介绍了词嵌入的概念,一种语言建模和特征学习范式,其中将词汇表中的单词或短语映射到实数向量。嵌入-以及Bengio与计算机科学家和Google Brain研究人员Ian Goodfellow在生成对抗网络(GAN)上的最新合作-彻底改变了机器翻译,图像生成,音频合成以及文本到语音系统的领域。
“从历史上看,气候变化一直是一个很难动员集体行动的问题……一个原因是,人们很难从心理上模拟气候变化的复杂和概率效应,而人们通常认为这是遥不可及的。时空”,该论文的合著者写道。“气候交流文献断言,有效的交流源于与传统的专家交流形式(如科学报告)相比,具有情感上的情感和与个人相关的信息,尤其是图像对于提高人们对气候变化问题的认识和关注至关重要。 ”
研究人员指出,可以应用于生成的气候变化图像的现有评估方法具有“强大的局限性”,因为它们与人类的判断不相关,这使得测量图像生成模型的复杂性变得困难。他们提出了一个手动过程的替代方案,涉及人类志愿者,他们负责根据不同位置和建筑物类型(房屋,农场,街道,城市)的输入图像来评估从模型中得出的图像样式组合,每个图像均由十几个AI生成样式。评估者在真实和半生成的图像之间进行选择,并计算平均错误率,以反映评估者判断该图像为真实的评估者的比例,较高的值表示更真实的图像。
为了追求一种较便宜且耗时的方法,该团队总共评估了八种不同的自动化方法。他们报告说,来自中间AI模型层的最佳使用嵌入是FréchetInception Distance,该度量从目标分布和正在评估的模型中获取照片,并使用对象识别系统来推测重要特征之间的相似性。
该团队将继续开展工作,探索更好的评估方法,并开发自己的最先进的生成性气候变化图像合成器。
“这项工作的最终愿景是创建一个ML架构,在给定上下文特征的情况下,如果根据用户选择的位置从Google StreetView获得图像,就能够生成最真实的气候变化引发的极端天气现象的图像该给定图像的图像”,论文的贡献者写道。“尽管现实地代表洪水是实现该目标的第一步,但我们后来的目标是采用类似的方法来代表气候变化所助力的其他灾难性事件(例如热带气旋或野火)。”