Que font les réseaux adversariens génératifs ?

Définition d'un GAN

Utilisant deux réseaux neuronaux en compétition l'un avec l'autre (d'où le nom "adversatif"), les réseaux adversatifs génératifs (GAN) sont des structures informatiques qui produisent de nouvelles instances artificielles de données pouvant être confondues avec des données authentiques. Ils sont largement utilisés dans la création d'images, de vidéos et de voix. Étant donné qu'ils peuvent être entraînés à reproduire n'importe quelle distribution de données, les GAN ont un énorme potentiel, tant positif que négatif. Tout domaine, y compris les images, la musique, la parole et la littérature, peut être utilisé pour entraîner les GAN à produire des mondes qui ressemblent étrangement au nôtre.

Comment fonctionnent les GAN

Les actions d'un GAN sont les suivantes :

• Le générateur produit une image après avoir reçu des nombres aléatoires.
• Le discriminateur reçoit cette image créée en plus d'un flux de photos provenant de la base de données réelle.
• Le discriminateur entre des images authentiques et frauduleuses et produit des probabilités, une valeur entre 0 et 1, 1 indiquant une prédiction d'authenticité et 0 indiquant un faux.

Par conséquent, vous avez deux boucles de rétroaction :

• Le discriminateur est en boucle de rétroaction avec la vérité de base connue des images.
• Le discriminateur et le générateur sont reliés par une boucle de rétroaction.

Conseils pour la formation d'un GAN

Voici une courte liste de conseils pratiques :

1. Correspondance des caractéristiques : appliquer l'apprentissage semi-supervisé au développement d'un GAN.

2. Lissage unilatéral de annoter : de meilleurs résultats sont obtenus en utilisant des objectifs avec une portée stochastique ou des cibles avec une valeur de 0,9 dans le discriminateur pour des situations réelles.

3. Régularisation virtuelle des lots. Il est préférable de calculer les statistiques des lots sur des photos réelles ou sur des images réelles en utilisant une seule image créée.

4. Utilisez les annotations lors de la formation. La qualité des images est améliorée par l'utilisation de labels dans les GAN.

5. Utilisez les échantillons d'entrée du générateur de nombres aléatoires gaussien.

6. Pour le calcul des statistiques de la norme des lots, utilisez des mini-lots de toutes les données réelles ou fausses.

Algorithmes génératifs et discriminatifs

La comparaison des algorithmes génératifs et discriminatifs vous aidera à mieux comprendre les algorithmes génératifs, ce qui est une condition préalable à la compréhension des GAN. Les algorithmes discriminatifs tentent de catégoriser les données d'entrée, c'est-à-dire qu'ils prédisent une annoter ou une catégorie à laquelle une instance particulière de données appartient en fonction de ses caractéristiques. Les algorithmes discriminants associent donc des labels à des caractéristiques. Ils se concentrent entièrement sur cette corrélation. Les algorithmes génératifs peuvent être considérés comme faisant le contraire. Ils visent à prédire les caractéristiques en fonction d'une annoter spécifique plutôt que de prédire une annoter en fonction d'un ensemble de caractéristiques.

Pourquoi choisir les GANs

L'un des nombreux développements significatifs dans l'application des techniques d'apprentissage profond dans des domaines comme computer vision est un processus connu sous le nom d'augmentation des données. L'augmentation des données permet d'améliorer les performances du modèle. Elle fonctionne en générant de toutes nouvelles instances, synthétiques mais réalistes, à partir de la problématique d'entrée sur laquelle le modèle est entraîné. Une approche de modélisation générative réussie offre une méthode différente, peut-être plus spécifique au domaine, pour l'augmentation des données. Bien que cela soit rarement dit de cette façon, l'augmentation des données est en fait une forme condensée de la modélisation générative.

Cas d'utilisation des GANs 

1. L'art : En utilisant des données d'apprentissage comme point de départ, les GAN peuvent manipuler des images pour produire de nouvelles œuvres d'art qui imitent les règles d'apprentissage tout en incorporant des détails distinctifs qui attirent les consommateurs. Il ne s'agit pas d'un vœu pieux, mais d'une réalité. De grandes maisons de vente aux enchères comme Sotheby's et Christie's ont vendu aux enchères des œuvres d'art exclusivement produites par une intelligence artificielle.

2. Le processus de découverte de nouveaux médicaments est long. Une seule hypothèse est généralement testée pendant un certain nombre d'années, voire de décennies, avec beaucoup d'efforts humains et de dépenses financières. Les GAN, en revanche, peuvent produire rapidement des éléments biologiques uniques pour tester plusieurs hypothèses.

3. Génération musicale : L'enregistrement de scènes et l'obtention de licences pour de la musique déjà créée pour cette même distribution sont tous deux coûteux et longs, c'est là que les GANs interviennent. En utilisant des informations préalables pour créer de nouvelles mélodies basées sur nos paramètres, il emploie un discriminateur pour apprendre les distributions des mélodies.

4. Maintien de la confidentialité : Dans les situations où nous devons partager des informations sensibles avec une tierce partie, les GANs sont déjà employés pour générer des exemples alternatifs à partager. La génération peut représenter grossièrement les données sans divulguer quoi que ce soit qui pourrait être nuisible.

Conclusion

Au lieu de s'appuyer autant sur les humains, nous nous efforçons de faire en sorte que les machines apprennent plus rapidement et plus efficacement. Les entreprises peuvent bénéficier de plus en plus des GAN à mesure qu'ils deviennent plus précis et sophistiqués. Bien que l'évolution des GAN soit l'une des théories les plus intrigantes de la décennie, elle est quelque peu alambiquée, présente des failles et fait encore l'objet de travaux. Néanmoins, les GAN restent l'une des architectures de réseaux neuronaux les plus adaptables utilisées aujourd'hui, et ils ne peuvent que s'améliorer avec le temps.