Definition
GAN'er er en klasse af maskinlæringsmodeller, hvor to neurale netværk - en generator og en diskriminator - konkurrerer om at skabe realistiske syntetiske data.
Formål
Formålet er at generere realistiske data såsom billeder, lyd eller tekst. GAN'er bruges i kreative industrier, dataforstærkning og forskning.
Vigtighed
- Producerer syntetiske data af høj kvalitet.
- Muliggør kreativitet inden for design og kunst.
- Risiko for misbrug af deepfakes og misinformation.
- Beregningsmæssigt dyr at træne.
Hvordan det virker
- Generatoren skaber syntetiske data fra tilfældig støj.
- Diskriminator vurderer, om data er ægte eller falske.
- Begge netværk trænes samtidigt.
- Generatoren forbedres ved at lære at narre diskriminatoren.
- Iterationen fortsætter, indtil outputtet ligner virkelige data.
Eksempler (den virkelige verden)
- NVIDIA StyleGAN: genererer realistiske menneskeansigter.
- DeepFake-applikationer: syntetisk videooprettelse.
- Syntetiske medicinske billeder til udvidelse af forskningsdata.
Referencer / Yderligere læsning
- Goodfellow et al. “Generative adversarielle net.” NeurIPS 2014.
- Ian Goodfellows GAN-forelæsningsnoter.
- IEEE-transaktioner på neurale netværk og læringssystemer.
