شبکههای زایای دشمنگونه
From Wikipedia, the free encyclopedia
شبکههای زایای دشمنگونه، شبکههای زایای رودررو، شبکههای زایای رقابتی یا شبکههای زایای صفر (به انگلیسی: Generative Adversarial Networks)، یک کلاس از چارچوبهای یادگیری ماشین است که ایان گودفلو و همکارانش در سال ۲۰۱۴ آن را پیشنهاد کردند. در این کلاس، دو شبکه عصبی در یک بازی روبروی یکدیگر قرار میگیرند (در چارچوب یک بازی با گردایش صفر، که آن را به نام بازی با مجموع صفر نیز در حوزهٔ نظریه بازیها میشناسیم، در چنین بازیهایی سود یک بازیکن به ضرر بازیکن دیگر است و هر گاه بازیکنی یک امتیاز میگیرد در واقع امتیازی از بازیکن مقابل کم میشود در نتیجه همواره مجموع امتیازات صفر است).
در این روش شبکه فرا میگیرد که چگونه از دادههای آموزش، دادههای جدیدی به وجود بیاورد که از دید آماری دادههای آموزش و به وجود آمده همسان باشند. به عبارت دیگر، روش در نهایت قرار است دادههایی که برای آموزش استفاده میشوند و خروجی شبکه از لحاظ برخی ویژگیها شباهت داشته باشند، وظیفه تولید خروجی بر عهدهٔ بخش زایا و وظیفهٔ بررسی کافی بودن این شباهت بر عهدهٔ بخش دشمنگونه است، مانند یک بازی که اگر بخش دشمنگونه بتواند حدس بزند که ورودی اصلی شبکه با خروجی ساخته شده توسط بخش زایا اختلاف دارند یا به عبارتی همسان نیستند، برنده میشود و بخش زایا ناچار است تا خروجی بهتری تولید کند تا جایی که بخش زایا بتواند بخش دشمنگونه را بفریبد در نتیجه بازی تمام شود.
برای نمونه، شبکههای مولد رقابتی آموزشیافته میتواند عکسهای جدیدی را به وجود آورد که از دید بیننده درست باشد و بسیاری از ویژگیهای دادههای آموزشی را در بر بگیرد. تصور کنید قرار است از تصاویر با وضوح پایین تصاویر با وضوح بالای معادل آنها را بسازیم که علاوه بر بزرگتر بودن و با کیفیت تر بودن دقیقاً معادل تصویر ورودی باشد در چنین شرایطی شبکه زایای دشمنگونه بسیار مفید و کمک کننده است.
گرچه در ابتدا یک گونه از مدل زایا برای یادگیری بدون ناظر (Unsupervised learning) پیشنهاد شده بود، ولی شبکههای زایای دشمنگونه برای یادگیری نیمهنظارتی (Semi-supervised learning)، یادگیری با ناظر[1] (Supervised learning) و یادگیری تقویتی[2] (Reinforcement learning) نیز میتواند مفید باشد.
ایده بنیادی شبکههای مولد رقابتی بر پایه آموزش «ناراسته» با جداکننده میباشد که خود نیز در فرایند آموزش بگونه پویا در حال بهروزرسانی میباشد.[3] بدین سان شبکه مولد به جای اینکه در پی کاهش فاصله با یک عکس باشد، در تلاش برای گمراه کردن شبکه تفکیککننده خواهد بود؛ بنابراین، مدل توانمند میشود تا به روش بدون ناظر به وجود آوردن عکسها را فرا بگیرد.