Generativa kontroversiella nätverk (GAN)

Definition

GAN är en klass av maskininlärningsmodeller där två neurala nätverk – en generator och en diskriminator – tävlar om att skapa realistiska syntetiska data.

Syfte

Syftet är att generera realistisk data såsom bilder, ljud eller text. GAN används inom kreativa branscher, dataaukmentering och forskning.

Betydelse

• Producerar högkvalitativ syntetisk data.
• Möjliggör kreativitet inom design och konst.
• Risk för missbruk av djupförfalskningar och felinformation.
• Beräkningsmässigt dyr att träna.

Så fungerar det

1. Generatorn skapar syntetisk data från slumpmässigt brus.
2. Diskriminatorn utvärderar om data är verkliga eller falska.
3. Båda nätverken tränas samtidigt.
4. Generatorn förbättras genom att lära sig att lura diskriminatorn.
5. Iterationen fortsätter tills utdata liknar verkliga data.

Exempel (verkliga världen)

• NVIDIA StyleGAN: genererar realistiska mänskliga ansikten.
• DeepFake-applikationer: skapande av syntetisk video.
• Syntetiska medicinska bilder för utökning av forskningsdata.

Referenser / Vidare läsning

• Goodfellow et al. ”Generativa adversariella nät.” NeurIPS 2014.
• Ian Goodfellows GAN-föreläsningsanteckningar.
• IEEE-transaktioner på neurala nätverk och inlärningssystem.