Generative adversarial network ( lyhennettynä GAN ) on valvomaton koneoppimisalgoritmi, joka on rakennettu kahden hermoverkon yhdistelmälle, joista toinen ( verkko G) tuottaa näytteitä (katso Generatiivinen malli ) ja toinen (verkko D) yrittää erottaa oikeat ("aito") näytteet vääristä (katso Discriminative Model ). Koska verkoilla G ja D on päinvastaiset tavoitteet - luoda näytteitä ja hylätä näytteitä - niiden välille syntyy vastakkainen peli . Ian Goodfellow Googlesta kuvaili generatiivisen vastustavan verkoston vuonna 2014 [1] .
Tämän tekniikan käyttö mahdollistaa erityisesti sellaisten valokuvien luomisen, jotka ihmissilmä havaitsee luonnollisina kuvina. On esimerkiksi tunnettu yritys syntetisoida valokuvia kissoista, mikä johtaa harhaan asiantuntijaa, joka pitää niitä luonnollisina valokuvina [2] . Lisäksi GAN:ia voidaan käyttää sumeiden tai osittain vioittuneiden valokuvien laadun parantamiseen.
GAN-järjestelmässä yksi verkoista (G-verkko, Generatorista) generoi näytteitä (katso Generatiivinen malli ) ja toinen (D-verkko, Discriminator) yrittää erottaa oikeat ("aito") näytteet vääristä. (katso Discriminative Model ) [1] . Käyttäen joukkoa piileviä avaruusmuuttujia , generatiivinen verkko yrittää muotoilla uuden kuvion sekoittamalla useita alkuperäisiä kuvioita. Diskriminatiivinen verkko on koulutettu erottamaan aidot ja väärennetyt näytteet, ja erottelun tulokset syötetään generatiivisen verkon tuloon, jotta se voi valita parhaan joukon piileviä parametreja, jolloin erotteluverkko ei enää pystyisi erottaa aidot näytteet väärennöksistä. Näin ollen verkon G tavoitteena on nostaa verkon D virhesuhdetta ja verkon D tavoitteena on päinvastoin parantaa tunnistustarkkuutta [1] [3] .
Erotteluverkko D, joka analysoi näytteitä alkuperäisestä tiedosta ja generaattorin väärentämästä, saavuttaa jonkin verran erottelutarkkuutta. Tässä tapauksessa generaattori aloittaa piilevien avaruusparametrien satunnaisilla yhdistelmillä (katso monimuuttuja normaalijakauma ), ja arvioituaan saadut näytteet verkon D toimesta, käytetään virheen takaisin etenemismenetelmää , joka parantaa generoinnin laatua korjaamalla tuloa. joukko piileviä parametreja. Vähitellen keinotekoiset kuvat generatiivisen verkon lähdössä muuttuvat yhä laadukkaammiksi [4] . D-verkko on toteutettu konvoluutiohermoverkkona , kun taas G-verkko päinvastoin avaa kuvan piilotettujen parametrien perusteella.
Yhteisen kilpailuoppimisen prosessissa, jos järjestelmä on riittävän tasapainoinen, saavutetaan minimax - tasapainotila, jossa molemmat verkot ovat merkittävästi parantaneet laatuaan ja nyt syntyneitä kuvia voidaan käyttää melkein kuin todellisia.
Ajatuksen kontradiktorisesta oppimisesta esittivät vuonna 2013 Li, Gauci ja Gross [5] . Tätä menetelmää kutsutaan myös "Turing-oppimiseksi" [6] , koska se pyrkii läpäisemään Turingin testin .
GAN-kiistan periaatetta kuvataan usein metaforien avulla. Esimerkiksi generatiivista verkostoa verrataan väärentäjään tai maalausten väärentäjään, ja syrjivää verkostoa asiantuntijaan, joka yrittää tunnistaa väärennöksen [7] [8] . Toinen esimerkki on kuva kahdesta nyrkkeilijästä, joista toinen opiskeli mestarin kanssa ja toinen pakotetaan matkimaan opiskelijaa [9] .
Suositussa ihmiskasvojen generointisovelluksessa todelliset valokuvat toimivat autenttisena datana, ja generatiivinen verkosto yrittää luoda keinotekoisia kasvoja muuntelemalla latenttien parametrien yhdistelmiä, kuten hiusten väri, kasvojen mittasuhteet, silmien muoto, nenän muoto, korvien koko, parta ja viikset. jne. d [10] [11]
Tutkijoiden artikkelit tarjoavat esimerkkejä GAN-toteutuksesta, joka perustuu TensorFlow- kirjastoon [12] [13] .
GANeja käytetään fotorealististen kuvien saamiseksi esimerkiksi teollisiin design -elementteihin , sisustussuunnitteluun , vaatteisiin, laukkuihin, salkkuihin, tietokonepelikohtauksiin jne. GANeja käytetään myös Facebook -verkossa [14] . Viime aikoina GAN-laitteita on käytetty elokuva- tai animaatiokehysten valmistukseen [15] . Nämä järjestelmät auttavat myös luomaan uudelleen kolmiulotteisen mallin kohteesta käyttämällä fragmentaarisia kuvia [16] ja parantamaan tähtitieteellisistä havainnoista saatuja kuvia [17] .
| Keinotekoisten neuroverkkojen tyypit | |
|---|---|
| |
| Koneoppiminen ja tiedon louhinta | |
|---|---|
| Tehtävät | |
| Opettajan kanssa oppimista | |
| ryhmäanalyysi | |
| Mittasuhteiden vähentäminen | |
| Rakenteellinen ennustaminen | |
| Anomalian havaitseminen | |
| Piirrä todennäköisyysmallit | |
| Neuroverkot | |
| Vahvistusoppiminen |
|
| Teoria | |
| Lehdet ja konferenssit |
|