پیش‌نویس:شبکه زاینده دشمنگونه
این مقاله در حال ترجمه می‌باشد.
یک شبکه زاینده دشمنگونه (GAN) یک کلاس از چارچوب های یادگیری ماشین است که توسط ایان گودفلو و همکارانش در سال 2014 طراحی شده است. دو شبکه عصبی در یک بازی با یکدیگر رقابت می کنند (در قالب یک بازی با جمع صفر ، که سود یک عامل ضرر عامل دیگر است).
با توجه به یک مجموعه آموزش ، این تکنیک یاد می گیرد با همان آماری که مجموعه آموزش دارد ، داده های جدیدی تولید کند. به عنوان مثال ، GAN آموزش دیده بر روی عکس ها می تواند عکس های جدیدی تولید کند که از نظر مشاهده کنندگان حداقل از نظر سطحی معتبر هستند و دارای بسیاری از ویژگی های واقع گرایانه هستند. گرچه در ابتدا به عنوان شکلی از مدل تولیدی برای یادگیری بدون نظارت پیشنهاد شده است ، اما GAN ها همچنین برای یادگیری نیمه نظارت شده ، یادگیری کاملاً نظارت شده ، [۱] و یادگیری تقویت کننده نیز مفید واقع شده اند. [۲]
ایده اصلی GAN ها مبتنی بر آموزش "غیر مستقیم" از طریق تبعیض است که خود نیز به صورت پویا در حال به روز رسانی است. [۳] این اساساً به این معنی است که ژنراتور آموزش دیده نیست تا فاصله یک تصویر خاص را به حداقل برساند ، بلکه بیشتر فریب دهنده است. این مدل را قادر می سازد تا به روشی بدون نظارت یاد بگیرد.
شبکه <i id="mwIQ">مولد</i> تولید نامزدها در حالی که شبکه <i id="mwIw">افتراقی</i> آنها ارزیابی می کند. این مسابقه از نظر توزیع داده کار می کند. به طور معمول ، شبکه تولید کننده نقشه برداری را از یک فضای نهفته به یک توزیع داده مورد علاقه یاد می گیرد ، در حالی که شبکه تمایز کاندیداهای تولید شده توسط مولد را از توزیع واقعی داده ها متمایز می کند. هدف آموزش شبکه مولد این است که میزان خطای شبکه افتراقی را افزایش دهد (یعنی "احمق" کردن شبکه تبعیض آمیز با تولید کاندیداهای جدیدی که تبعیض فکر می کند سنتز نشده اند (بخشی از توزیع واقعی داده ها هستند)). [۴]
- ↑ Isola, Phillip; Zhu, Jun-Yan; Zhou, Tinghui; Efros, Alexei (2017). "Image-to-Image Translation with Conditional Adversarial Nets". Computer Vision and Pattern Recognition.
- ↑ Ho, Jonathon; Ermon, Stefano (2016). "Generative Adversarial Imitation Learning". Advances in Neural Information Processing Systems: 4565–4573. arXiv:1606.03476. Bibcode:2016arXiv160603476H.
- ↑ "Vanilla GAN (GANs in computer vision: Introduction to generative learning)". theaisummer.com. AI Summer. Archived from the original on 2020-06-03. Retrieved 20 September 2020.
- ↑ Luc, Pauline; Couprie, Camille; Chintala, Soumith; Verbeek, Jakob (2016-11-25). "Semantic Segmentation using Adversarial Networks". NIPS Workshop on Adversarial Training, Dec, Barcelona, Spain. 2016. arXiv:1611.08408. Bibcode:2016arXiv161108408L.