4.0 KiB
| title | localeTitle |
|---|---|
| Generative Adversarial Networks | Redes Adversariais Generativas |
Redes Adversariais Generativas
Visão geral
As redes geradoras de conflitos (GANs) são uma classe de algoritmos de inteligência artificial usados em aprendizado de máquina não supervisionado , implementados por um sistema de duas redes neurais que competem entre si em uma estrutura de jogo de soma zero. Eles foram introduzidos por Ian Goodfellow et al. em 2014. Esta técnica pode gerar fotografias que parecem, pelo menos superficialmente, autênticas para os observadores humanos, tendo muitas características realistas (embora em testes as pessoas possam dizer reais a partir de geradas em muitos casos).
Método
Uma rede gera candidatos (generativa) e a outra avalia (discriminativa). Tipicamente, a rede generativa aprende a mapear de um espaço latente para uma distribuição de dados particular de interesse, enquanto a rede discriminativa discrimina entre instâncias da distribuição de dados verdadeira e candidatos produzidos pelo gerador. O objetivo de treinamento da rede gerativa é aumentar a taxa de erro da rede discriminativa (isto é, "enganar" a rede discriminadora produzindo novas instâncias sintetizadas que parecem ter vindo da verdadeira distribuição de dados).
Na prática, um conjunto de dados conhecido serve como dados de treinamento inicial para o discriminador. Treinar o discriminador envolve apresentá-lo com amostras do conjunto de dados, até atingir algum nível de precisão. Normalmente, o gerador é propagado com uma entrada aleatória que é amostrada a partir de um espaço latente predefinido (por exemplo, uma distribuição normal multivariada ). Depois disso, as amostras sintetizadas pelo gerador são avaliadas pelo discriminador. A retropropagação é aplicada em ambas as redes para que o gerador produza imagens melhores, enquanto o discriminador se torna mais habilidoso em sinalizar imagens sintéticas. O gerador é tipicamente uma rede neural deconvolucional e o discriminador é uma rede neural convolucional .
A ideia de inferir modelos em um ambiente competitivo (modelo versus discriminador) foi proposta por Li, Gauci e Gross em 2013. Seu método é usado para inferência comportamental. É denominado Aprendizado de Turing, já que o cenário é semelhante ao de um teste de Turing . Turing Learning é uma generalização das GANs. Modelos diferentes de redes neurais podem ser considerados. Além disso, os discriminadores podem influenciar os processos dos quais os conjuntos de dados são obtidos, tornando-os interrogadores ativos, como no teste de Turing. A idéia de treinamento contraditório também pode ser encontrada em trabalhos anteriores, como Schmidhuber em 1992.
Aplicação
As GANs foram usadas para produzir amostras de imagens fotorrealistas para fins de visualização de novos designs internos / industriais, calçados, bolsas e itens de vestuário ou itens para cenas de jogos de computador. Essas redes foram relatadas para serem usadas pelo Facebook. Recentemente, as GANs modelaram padrões de movimento no vídeo. Eles também foram usados para reconstruir modelos 3D de objetos a partir de imagens e para melhorar imagens astronômicas. Em 2017, um GAN feed-forward completamente convolucional foi usado para o aprimoramento da imagem usando síntese de textura automatizada em combinação com perda perceptual. O sistema se concentrava em texturas realistas, em vez de precisão de pixels. O resultado foi uma qualidade de imagem mais alta com alta ampliação.