Генеративно-состязательная сеть ( англ. Generative adversarial network , сокращённо GAN) — алгоритм машинного обучения без учителя , построенный на комбинации из двух нейронных сетей , одна из которых (сеть G) генерирует образцы (см. ), а другая (сеть D) старается отличить правильные («подлинные») образцы от неправильных (см. ). Так как сети G и D имеют противоположные цели — создать образцы и отбраковать образцы — между ними возникает антагонистическая игра . Генеративно-состязательную сеть описал из компании Google в 2014 году .

Использование этой техники позволяет, в частности, генерировать фотографии, которые человеческим глазом воспринимаются как натуральные изображения. Например, известна попытка синтезировать фотографии кошек, которые вводят в заблуждение эксперта, считающего их естественными фото . Кроме того, GAN может использоваться для улучшения качества нечётких или частично испорченных фотографий.

Метод

В системе GAN одна из сетей (сеть G, от Generator) генерирует образцы (см. ), а другая (сеть D, от Discriminator) старается отличить правильные («подлинные») образцы от неправильных (см. ) . Используя набор переменных латентного пространства , генеративная сеть пытается слепить новый образец, смешав несколько исходных образцов. Дискриминативная сеть обучается различать подлинные и поддельные образцы, а результаты различения подаются на вход генеративной сети так, чтобы она смогла подобрать лучший набор латентных параметров, и дискриминативная сеть уже не смогла бы отличить подлинные образцы от поддельных. Таким образом целью сети G является повысить процент ошибок сети D, а целью сети D является наоборот улучшение точности распознавания .

Дискриминационная сеть D, анализируя образцы из оригинальных данных и из подделанных генератором, достигает некоторой точности различения. Генератор при этом начинает со случайных комбинаций параметров латентного пространства (см. многомерное нормальное распределение ), а после оценки полученных образцов сетью D, применяется метод обратного распространения ошибки , который позволяет улучшить качество генерации, подправив входной набор латентных параметров. Постепенно искусственные изображения на выходе генеративной сети становятся всё более качественными . Сеть D реализуется как свёрточная нейронная сеть , в то время как сеть G наоборот разворачивает изображение на базе скрытых параметров.

В процессе совместного конкурентного обучения, если система достаточно сбалансирована, достигается минимаксное состояние равновесия, в котором обе сети значительно улучшили своё качество, и теперь сгенерированные изображения могут быть использованы практически как настоящие.

Идея состязательного обучения была выдвинута в 2013 году Li, Gauci и Gross . Этот метод называется также «обучением Тьюринга» , так как ставит целью пройти тест Тьюринга .

Популярные объяснения метода

Принцип состязательности в сети GAN нередко описывается через метафоры. Например, генеративная сеть уподобляется фальшивомонетчику или подделывателю картин, а дискриминативная — эксперту, который стремится распознать подделку . Другой пример — образ двух боксёров, один из которых учился у мастера, а второй вынужден подражать ученику .

В популярном приложении генерации человеческих лиц в качестве подлинных данных выступают реальные фотографии, а генеративная сеть пытается создать искусственные лица, варьируя комбинации таких латентных параметров, как цвет волос, пропорции лица, разрез глаз, форма носа, размер ушей, наличие бороды и усов и т. д.

В статьях исследователей приводятся примеры реализации GAN на базе библиотеки TensorFlow .

Применение

GAN используются для получения фотореалистичных изображений, например для элементов промышленного дизайна , дизайна интерьера , одежды, сумок, портфелей, сцен компьютерных игр и т. д. Сети GAN используются также в сети Facebook . В последнее время системы GANs стали использоваться для подготовки кадров фильмов или мультипликации . Также эти системы помогают воссоздать трёхмерную модель объекта с помощью фрагментарных изображений и улучшить изображения, полученные из астрономических наблюдений .

Примечания

Ссылки

• Knight, Will. . MIT Technology Review . Дата обращения: 5 января 2017 .