Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску
Не путать с состязательным машинным обучением .
Часть серии по
Машинное обучение
и
интеллектуальный анализ данных
Многослойная нейронная сеть-Vector-Blank.svg
Проблемы
Кластеризация
Снижение размерности
Структурированный прогноз
  • Графические модели
    • Сеть Байеса
    • Условное случайное поле
    • Скрытый Марков
Обнаружение аномалий
  • k -NN
  • Фактор местного выброса
Искусственная нейронная сеть
  • Автоэнкодер
  • Когнитивные вычисления
  • Глубокое обучение
  • DeepDream
  • Многослойный перцептрон
  • RNN
    • LSTM
    • ГРУ
    • ESN
  • Ограниченная машина Больцмана
  • GAN
  • SOM
  • Сверточная нейронная сеть
    • U-Net
  • Трансформатор
  • Пиковая нейронная сеть
  • Мемтранзистор
  • Электрохимическая RAM (ECRAM)
Обучение с подкреплением
  • Q-обучение
  • SARSA
  • Временная разница (TD)
Теория
  • Компромисс смещения и дисперсии
  • Теория вычислительного обучения
  • Минимизация эмпирического риска
  • Обучение Оккама
  • PAC обучение
  • Статистическое обучение
  • Теория ВК
Площадки для машинного обучения
  • NeurIPS
  • ICML
  • ML
  • JMLR
  • ArXiv: cs.LG
Статьи по Теме
  • Глоссарий искусственного интеллекта
  • Список наборов данных для исследований в области машинного обучения
  • Краткое описание машинного обучения
  • v
  • т
  • е

Порождающая состязательный сети ( GAN ) является классом машинного обучения основ разработан Ян Гудфеллоу и его коллегами в 2014 г. [1] Две нейронные сети конкурса друг с другом в игре (в виде игры с нулевой суммой , где один прибыль агента - это потеря другого агента).

Учитывая обучающий набор, этот метод учится генерировать новые данные с той же статистикой, что и обучающий набор. Например, GAN, обученный фотографиям, может создавать новые фотографии, которые выглядят, по крайней мере, внешне аутентичными для человека-наблюдателя, имея множество реалистичных характеристик. Хотя первоначально предложено в качестве одной из форм порождающей модели для неконтролируемого обучения , Gans также оказался полезным для полуобучаемого обучения , [2] полностью контролировал обучение , [3] и обучение с подкреплением . [4]

Основная идея GAN основана на «косвенном» обучении через дискриминатор [ требуется пояснение ], который сам также динамически обновляется. [5] Это в основном означает, что генератор не обучен минимизировать расстояние до определенного изображения, а скорее обманывает дискриминатор. Это позволяет модели обучаться бесконтрольно.

Метод [ править ]

Порождающая сеть генерирует кандидат в то время как дискриминационная сеть оценивает их. [1] Конкурс проводится с точки зрения распределения данных. Как правило, генерирующая сеть учится отображать латентное пространство на интересующее распределение данных, в то время как различающая сеть отличает кандидатов, созданных генератором, от истинного распределения данных. Целью обучения генеративной сети является увеличение частоты ошибок дискриминаторной сети (т. Е. «Обмануть» дискриминаторную сеть путем создания новых кандидатов, которые, по мнению дискриминатора, не синтезированы (являются частью истинного распределения данных)). [1] [6]

Известный набор данных служит исходными данными для обучения дискриминатора. Его обучение включает в себя представление ему образцов из набора обучающих данных до тех пор, пока он не достигнет приемлемой точности. Генератор тренируется в зависимости от того, удалось ли обмануть дискриминатор. Обычно генератор заполняется рандомизированными входными данными, которые выбираются из заранее определенного скрытого пространства (например, многомерного нормального распределения ). После этого кандидаты, синтезированные генератором, оцениваются дискриминатором. К обеим сетям применяются независимые процедуры обратного распространения, так что генератор производит более качественные выборки, в то время как дискриминатор становится более опытным в маркировке синтетических выборок. [7]При использовании для генерации изображения генератор обычно представляет собой деконволюционную нейронную сеть, а дискриминатор - сверточную нейронную сеть .

Сети GAN часто страдают от «коллапса режима», когда они не могут правильно обобщить, пропуская целые режимы во входных данных. Например, GAN, обученный на наборе данных MNIST, содержащем множество выборок каждой цифры, тем не менее может робко опускать подмножество цифр из своих выходных данных. Некоторые исследователи считают, что основная проблема заключается в слабой дискриминирующей сети, которая не замечает шаблон упущения, в то время как другие возлагают вину на неправильный выбор целевой функции . Было предложено много решений. [8]

Приложения [ править ]

Количество приложений GAN быстро увеличивалось. [9]

Мода, искусство и реклама [ править ]

GAN можно использовать для создания произведений искусства; В марте 2019 года The Verge писала, что «изображения, созданные GAN, стали определяющим элементом современного искусства искусственного интеллекта». [10] GAN также можно использовать для раскрашивания фотографий [11] или создания фотографий воображаемых фотомоделей без необходимости нанимать модель, фотографа или визажиста или платить за студию и транспорт. [12]

Наука [ править ]

GAN могут улучшать астрономические изображения [13] и моделировать гравитационное линзирование для исследования темной материи. [14] [15] [16] Они использовались в 2019 году для успешного моделирования распределения темной материи в определенном направлении в пространстве и для прогнозирования гравитационного линзирования , которое произойдет. [17] [18]

GAN были предложены как быстрый и точный способ моделирования образования струй высоких энергий [19] и моделирования ливней с помощью калориметров в экспериментах по физике высоких энергий . [20] [21] [22] [23] GAN также были обучены точно определять узкие места в дорогостоящих в вычислительном отношении симуляторах экспериментов по физике элементарных частиц. Приложения в контексте настоящих и предлагаемых экспериментов ЦЕРН продемонстрировали потенциал этих методов для ускорения моделирования и / или повышения точности моделирования. [24] [25]

Видеоигры [ править ]

В 2018 году GAN достигли сообщества моддинга видеоигр как метод масштабирования 2D-текстур с низким разрешением в старых видеоиграх путем воссоздания их в разрешении 4k или выше с помощью обучения изображений, а затем их выборки для соответствия исходному уровню игры. разрешение (с результатами, напоминающими метод суперсэмплинга сглаживания ). [26] При надлежащем обучении GAN обеспечивают более четкое и резкое изображение 2D текстуры с более высоким качеством, чем оригинал, при полном сохранении уровня деталей, цветов и т. Д. Оригинала. Известные примеры широкого использования GAN включают Final Fantasy VIII , Final Fantasy IX , Resident Evil REmakeHD Remaster и Макс Пейн . [ необходима цитата ]

Опасения по поводу вредоносных приложений [ править ]

Основная статья: Deepfake
Изображение, созданное StyleGAN , обманчиво похоже на фотографию реального человека. Это изображение было создано StyleGAN на основе анализа портретов.

Высказывались опасения по поводу потенциального использования синтеза человеческих изображений на основе GAN в зловещих целях, например, для производства поддельных, возможно, инкриминирующих фотографий и видео. [27] GAN можно использовать для создания уникальных реалистичных фотографий профилей несуществующих людей, чтобы автоматизировать создание фальшивых профилей в социальных сетях. [28]

В 2019 году в штате Калифорния считается [29] и прошел 3 октября 2019 законопроект AB-602 , который запрещает использование человеческого образа синтеза технологий , чтобы сделать поддельную порнографию без согласия народа , изображенных, и законопроект AB-730 , который запрещает распространение сфабрикованных видео политического кандидата в течение 60 дней после выборов. Оба законопроекта были созданы членом Ассамблеи Марком Берманом и подписаны губернатором Гэвином Ньюсомом . Законы вступят в силу в 2020 году. [30]

Программа медиа-криминалистики DARPA изучает способы противодействия фальшивым медиа, в том числе фальшивым медиа, созданным с использованием GAN. [31]

Разные приложения [ править ]

GAN может использоваться для обнаружения глаукомных изображений, помогая ранней диагностике, что важно для предотвращения частичной или полной потери зрения. [32]

GAN, которые создают фотореалистичные изображения, могут использоваться для визуализации дизайна интерьера , промышленного дизайна , обуви, [33] сумок, а также предметов одежды или предметов для сцен компьютерных игр . [ необходима цитата ] Такие сети, как сообщается, использовались Facebook . [34]

Gans может реконструировать 3D - модели объектов из изображений , [35] модели и модели движения в видео. [36]

GAN можно использовать для состаривания фотографий лиц, чтобы показать, как внешность человека может измениться с возрастом. [37]

Сети GAN также могут использоваться для передачи стилей карт в картографии [38] или увеличения изображений улиц. [39]

Отзывы о релевантности GAN могут использоваться для создания изображений и замены систем поиска изображений. [40]

Вариант GAN используется при обучении сети для создания оптимальных управляющих входов для нелинейных динамических систем . Где дискриминационная сеть известна как критик, который проверяет оптимальность решения, а генерирующая сеть известна как адаптивная сеть, которая генерирует оптимальное управление. Критик и адаптивная сеть обучают друг друга приближать нелинейное оптимальное управление. [41]

GAN использовались для визуализации воздействия изменения климата на конкретные дома. [42]

Модель GAN под названием Speech2Face может реконструировать изображение лица человека после прослушивания его голоса. [43]

В 2016 году GAN использовались для создания новых молекул для различных белковых мишеней, вызывающих рак, воспаление и фиброз. В 2019 году молекулы, генерируемые GAN, были проверены экспериментально на мышах. [44] [45]

В то время как большинство приложений GAN используются для обработки изображений, работа также проводилась с данными временных рядов. Например, повторяющиеся сети GAN (R-GAN) использовались для генерации данных об энергии для машинного обучения. [46]

История [ править ]

Самым непосредственным источником вдохновения для GAN была оценка контрастности шума [47], которая использует ту же функцию потерь, что и GAN, и которую Гудфеллоу изучал во время своей докторской диссертации в 2010–2014 гг.

У других людей были похожие идеи, но они не развивались аналогичным образом. Идея использования враждебных сетей была опубликована в блоге Олли Ниемитало в 2010 году. [48] Эта идея никогда не была реализована и не включала стохастичность в генераторе и, таким образом, не была генеративной моделью. Теперь он известен как условный GAN или cGAN. [49] Идея, аналогичная GAN, была использована для моделирования поведения животных Ли, Гаучи и Гроссом в 2013 году. [50]

У состязательного машинного обучения есть и другие применения помимо генеративного моделирования, и его можно применять не только к нейронным сетям, но и к моделям. В теории управления состязательное обучение на основе нейронных сетей использовалось в 2006 году для обучения надежных контроллеров в теоретико-игровом смысле путем чередования итераций между политикой минимизатора (контроллер) и политикой максимизатора (возмущение). [51] [52]

В 2017 году GAN использовался для улучшения изображения с упором на реалистичные текстуры, а не на точность до пикселей, обеспечивая более высокое качество изображения при большом увеличении. [53] В 2017 году были сформированы первые лица. [54] Они были выставлены в феврале 2018 года в Большом дворце. [55] [56] Лица, созданные StyleGAN [57] в 2019 году, сравнивали с дипфейками . [58] [59] [60]

Начиная с 2017 года, технология GAN начала проявлять свое присутствие на арене изобразительного искусства с появлением недавно разработанной реализации, которая, как утверждается, перешагнула порог способности создавать уникальные и привлекательные абстрактные картины и, таким образом, получила название CAN ", для" творческой состязательной сети ". [61] Система GAN была использована для создания картины Эдмона де Белами 2018 года , проданной за 432 500 долларов США. [62] В статье, опубликованной в начале 2019 года членами первоначальной команды CAN, обсуждался дальнейший прогресс в этой системе, а также рассматривались общие перспективы искусства с поддержкой ИИ. [63]

В мае 2019 года исследователи Samsung продемонстрировали систему на основе GAN, которая позволяет снимать видео говорящего человека на основе только одной фотографии этого человека. [64]

В августе 2019 года был создан большой набор данных, состоящий из 12 197 MIDI-песен, каждая с парными текстами и выравниванием мелодий, для генерации нейронной мелодии из текстов с использованием условного GAN-LSTM (см. Источники на GitHub AI Melody Generation from Lyrics ). [65]

В мае 2020 года исследователи Nvidia научили систему искусственного интеллекта (названную «GameGAN») воссоздавать игру Pac-Man, просто наблюдая, как в нее играют. [66] [67]

Классификация [ править ]

Двунаправленный GAN [ править ]

В то время как стандартная модель GAN изучает отображение скрытого пространства в распределение данных, обратные модели, такие как двунаправленный GAN (BiGAN) [68] и состязательные автоэнкодеры [69], также изучают отображение данных в скрытое пространство. Это обратное отображение позволяет проецировать примеры реальных или сгенерированных данных обратно в скрытое пространство, подобно кодировщику вариационного автоэнкодера . Применение двунаправленных моделей включает полуобучаемое обучение , [70] интерпретируемого машинного обучения , [71] и нейронный машинный перевод . [72]

Ссылки [ править ]

  1. ^ a b c Гудфеллоу, Ян; Пуже-Абади, Жан; Мирза, Мехди; Сюй, Бинг; Вард-Фарли, Дэвид; Озаир, Шерджил; Курвиль, Аарон; Бенжио, Йошуа (2014). Генеративные состязательные сети (PDF) . Труды Международной конференции по системам обработки нейронной информации (NIPS 2014). С. 2672–2680.
  2. ^ Салиманс, Тим; Гудфеллоу, Ян; Заремба, Войцех; Чунг, Вики; Рэдфорд, Алек; Чен, Си (2016). «Улучшенные методы обучения GAN». arXiv : 1606.03498 [ cs.LG ].
  3. ^ Изола, Филипп; Чжу, Цзюнь-Янь; Чжоу, Тинхуэй; Эфрос, Алексей (2017). «Преобразование изображения в изображение с помощью условных состязательных сетей» . Компьютерное зрение и распознавание образов .
  4. ^ Хо, Джонатон; Эрмон, Стефано (2016). «Генеративное состязательное имитационное обучение» . Достижения в системах обработки нейронной информации : 4565–4573. arXiv : 1606.03476 . Bibcode : 2016arXiv160603476H .
  5. ^ "Vanilla GAN (GAN в компьютерном зрении: Введение в генеративное обучение)" . theaisummer.com . AI Лето. Архивировано 03 июня 2020 года . Проверено 20 сентября 2020 года .
  6. ↑ Люк, Полина; Купри, Камилла; Чинтала, Сумит; Вербеек, Якоб (25 ноября 2016 г.). «Семантическая сегментация с использованием состязательных сетей». Семинар NIPS по состязательному обучению, декабрь, Барселона, Испания . 2016 . arXiv : 1611.08408 . Bibcode : 2016arXiv161108408L .
  7. ^ Андрей Карпаты ; Питер Аббель ; Грег Брокман; Питер Чен; Вики Чунг; Рокки Дуан; Ян Гудфеллоу; Дурк Кингма; Джонатан Хо; Рейн Хаутхофт; Тим Салиманс; Джон Шульман; Илья Суцкевер; Войцех Заремба, Генеративные модели , OpenAI , получено 7 апреля 2016 г.
  8. ^ Лин, Зинан; и другие. (Декабрь 2018 г.). «PacGAN: сила двух образцов в генеративных состязательных сетях» . НИПС'18: Материалы 32-й Международной конференции по системам обработки нейронной информации. С. 1505–1514. (также доступен arXiv : 1712.04086 )
  9. ^ Цезарь, Хольгер (2019-03-01), Список статей о генеративных состязательных (нейронных) сетях: nightrome / really-awesome-gan , получено 2 марта 2019 г.
  10. ↑ Винсент, Джеймс (5 марта 2019 г.). «Бесконечный поток искусственного интеллекта выставлен на аукцион» . Грань . Проверено 13 июня 2020 .
  11. ^ Ю, Jiahui и др. « Создание генеративного изображения с контекстным вниманием ». Материалы конференции IEEE по компьютерному зрению и распознаванию образов. 2018.
  12. ^ Вонг, Сиси. «Восстание супермоделей искусственного интеллекта» . CDO Trends .
  13. ^ Шавински, Кевин; Чжан, Се; Чжан, Ханьтянь; Фаулер, Лукас; Сантханам, Гокула Кришнан (01.02.2017). «Генеративные состязательные сети восстанавливают особенности астрофизических изображений галактик за пределами предела деконволюции». Ежемесячные уведомления Королевского астрономического общества: письма . 467 (1): L110 – L114. arXiv : 1702.00403 . Bibcode : 2017MNRAS.467L.110S . DOI : 10.1093 / mnrasl / slx008 . S2CID 7213940 . 
  14. ^ Кинкейд, Кэти. «Исследователи обучают нейронную сеть изучать темную материю» . Журнал R&D.
  15. ^ Кинкейд, Кэти (16 мая 2019). «CosmoGAN: Обучение нейронной сети для изучения темной материи» . Phys.org .
  16. ^ «Обучение нейронной сети для изучения темной материи» . Science Daily . 16 мая 2019.
  17. ^ в 06:13, Катяна Квач, 20 мая 2019 г. «Cosmoboffins используют нейронные сети для простого построения карт темной материи» . www.theregister.co.uk . Проверено 20 мая 2019 .
  18. ^ Мустафа, Мустафа; Бард, Дебора; Бхимджи, Вахид; Лукич, Зария; Ар-Рфу, Рами; Краточвил, Ян М. (06.05.2019). «CosmoGAN: создание высокоточных карт сходимости слабого линзирования с использованием генеративных состязательных сетей». Вычислительная астрофизика и космология . 6 (1): 1. arXiv : 1706.02390 . Bibcode : 2019ComAC ... 6 .... 1M . DOI : 10,1186 / s40668-019-0029-9 . ISSN 2197-7909 . S2CID 126034204 .  
  19. ^ Паганини, Микела; де Оливейра, Люк; Нахман, Бенджамин (2017). «Изучение физики элементарных частиц на примере: генерирующие состязательные сети с учетом местоположения для синтеза физики». Вычислительная техника и программное обеспечение для большой науки . 1 : 4. arXiv : 1701.05927 . Bibcode : 2017arXiv170105927D . DOI : 10.1007 / s41781-017-0004-6 . S2CID 88514467 . 
  20. ^ Паганини, Микела; де Оливейра, Люк; Нахман, Бенджамин (2018). «Ускорение науки с генеративными состязательными сетями: приложение к трехмерным ливням частиц в многослойных калориметрах». Письма с физическим обзором . 120 (4): 042003. arXiv : 1705.02355 . Bibcode : 2018PhRvL.120d2003P . DOI : 10.1103 / PhysRevLett.120.042003 . PMID 29437460 . S2CID 3330974 .  
  21. ^ Паганини, Микела; де Оливейра, Люк; Нахман, Бенджамин (2018). «CaloGAN: моделирование трехмерных потоков высокоэнергетических частиц в многослойных электромагнитных калориметрах с генерирующими противоборствующими сетями». Phys. Rev. D . 97 (1): 014021. arXiv : 1712.10321 . Bibcode : 2018PhRvD..97a4021P . DOI : 10.1103 / PhysRevD.97.014021 . S2CID 41265836 . 
  22. ^ Эрдманн, Мартин; Гломбица, Йонас; Кваст, Торбен (2019). «Точное моделирование ливней электромагнитного калориметра с использованием генерирующей состязательной сети Вассерштейна». Вычислительная техника и программное обеспечение для большой науки . 3 : 4. arXiv : 1807.01954 . DOI : 10.1007 / s41781-018-0019-7 . S2CID 54216502 . 
  23. ^ Муселла, Паскуале; Пандольфи, Франческо (2018). «Быстрое и точное моделирование детекторов частиц с использованием генеративных состязательных сетей». Вычислительная техника и программное обеспечение для большой науки . 2 : 8. arXiv : 1805.00850 . Bibcode : 2018arXiv180500850M . DOI : 10.1007 / s41781-018-0015-у . S2CID 119474793 . 
  24. ^ ATLAS, Сотрудничество (2018). «Глубокие генеративные модели для быстрого моделирования ливня в ATLAS» .
  25. ^ SHiP, Сотрудничество (2019). «Быстрое моделирование мюонов, произведенных в эксперименте SHiP с использованием Generative Adversarial Networks». Журнал приборостроения . 14 (11): P11028. arXiv : 1909.04451 . Bibcode : 2019JInst..14P1028A . DOI : 10.1088 / 1748-0221 / 14/11 / P11028 . S2CID 202542604 . 
  26. ^ Тан, Сяоу; Цяо, Ю; Лой, Чен Смена; Донг, Чао; Лю, Ихао; Гу, Джинджин; Ву, Шисян; Ю, Кэ; Ван, Синтао (2018-09-01). «ESRGAN: Расширенные состязательные сети со сверхвысоким разрешением». arXiv : 1809.00219 . Bibcode : 2018arXiv180900219W .
  27. ^ мсмаш (14.02.2019). « Веб-сайт « Этот человек не существует »использует ИИ для создания реалистичных, но устрашающих лиц» . Slashdot . Проверено 16 февраля 2019 .
  28. ↑ Дойл, Майкл (16 мая 2019 г.). «Джон Бизли живет на Сэддлхорс Драйв в Эвансвилле. Или нет?» . Курьер и пресса.
  29. ^ Таргетт, Ed (16 мая 2019). «Калифорния сближается к созданию deepfake порнографии незаконным». Обзор компьютерного бизнеса.
  30. ^ Михалчик, Кэрри (2019-10-04). «Законы Калифорнии стремятся расправиться deepfakes в политике и порно» . cnet.com . CNET . Проверено 13 октября 2019 .
  31. ↑ Knight, Will (7 августа 2018 г.). «Минобороны выпустило первые инструменты для отлова дипфейков» . Обзор технологий Массачусетского технологического института .
  32. ^ Биснето, Томас Рибейро Виана; де Карвалью Филью, Антонио Осеас; Магальяйнш, Дебора Мария Виейра (февраль 2020 г.). «Генеративная состязательная сеть и особенности текстуры, применяемые для автоматического обнаружения глаукомы». Прикладные программные вычисления . 90 : 106165. дои : 10.1016 / j.asoc.2020.106165 .
  33. ^ Вэй, Джерри (2019-07-03). «Создание дизайна обуви с помощью машинного обучения» . Средний . Проверено 6 ноября 2019 .
  34. ^ Greenemeier Ларри (20 июня 2016). «Когда у компьютеров будет здравый смысл? Спросите у Facebook» . Scientific American . Проверено 31 июля, 2016 .
  35. ^ «3D Генеративная состязательная сеть» . 3dgan.csail.mit.edu .
  36. ^ Вондрик, Карл; Пирсиаваш, Хамед; Торральба, Антонио (2016). «Создание видео с динамикой сцены» . carlvondrick.com . arXiv : 1609.02612 . Bibcode : 2016arXiv160902612V .
  37. ↑ Антипов, Григорий; Баккуш, Моэз; Дюжеле, Жан-Люк (2017). «Старение лица с условными порождающими состязательными сетями». arXiv : 1702.01983 [ cs.CV ].
  38. ^ Кан, Юхао; Гао, Сун; Рот, Роб (2019). «Передача стилей многомасштабных карт с использованием генеративных состязательных сетей» . Международный журнал картографии . 5 (2–3): 115–141. arXiv : 1905.02200 . Bibcode : 2019arXiv190502200K . DOI : 10.1080 / 23729333.2019.1615729 . S2CID 146808465 . 
  39. ^ Wijnands, Джаспер; Хорошо, Керри; Томпсон, Джейсон; Чжао, Хайфэн; Стивенсон, Марк (2019). «Увеличение уличного пейзажа с использованием генеративных враждебных сетей: идеи, связанные со здоровьем и благополучием». Устойчивые города и общество . 49 : 101602. arXiv : 1905.06464 . Bibcode : 2019arXiv190506464W . DOI : 10.1016 / j.scs.2019.101602 . S2CID 155100183 . 
  40. ^ Укконен, Антти; Joona, Pyry; Руотсало, Туукка (2020). «Создание изображений вместо их получения: релевантная обратная связь по генерирующим состязательным сетям» . Материалы 43-й Международной конференции ACM SIGIR по исследованиям и разработкам в области информационного поиска : 1329–1338. DOI : 10.1145 / 3397271.3401129 . hdl : 10138/328471 . S2CID 220730163 . 
  41. ^ Падхи, Радхакант; Унникришнан, Нишант (2006). «Архитектура единого сетевого адаптивного критика (SNAC) для синтеза оптимального управления для класса нелинейных систем». Нейронные сети . 19 (10): 1648–1660. DOI : 10.1016 / j.neunet.2006.08.010 . PMID 17045458 . 
  42. ^ «AI может показать нам разрушительные последствия изменения климата» . Обзор технологий Массачусетского технологического института . 16 мая 2019.
  43. ↑ Кристиан, Джон (28 мая 2019 г.). «ПОТРЯСАЮЩИЙ ИИ УГАДАЕТ, НА ЧТО ВЫ СМОТРИТЕ НА ОСНОВЕ ВАШЕГО ГОЛОСА» . Футуризм.
  44. ↑ Жаворонков, Алекс (2019). «Глубокое обучение позволяет быстро идентифицировать сильные ингибиторы киназы DDR1». Природа Биотехнологии . 37 (9): 1038–1040. DOI : 10.1038 / s41587-019-0224-х . PMID 31477924 . S2CID 201716327 .  
  45. ↑ Грегори, Парикмахер. «Молекула, созданная искусственным интеллектом, демонстрирует« лекарственные качества »» . Проводной .
  46. ^ Мохаммад Навид Фекри; Ананда Мохон Гош; Катарина Гролингер (2020). «Создание энергетических данных для машинного обучения с помощью повторяющихся генерирующих состязательных сетей» . Энергии .
  47. ^ Гутманн, Майкл; Hyvärinen, Aapo. «Шум-контрастная оценка» (PDF) . Международная конференция по искусственному интеллекту и статистике .
  48. ^ Niemitalo, Олли (24 февраля 2010). «Метод обучения искусственных нейронных сетей для генерации недостающих данных в переменном контексте» . Интернет-архив (Wayback Machine) . Архивировано 12 марта 2012 года . Проверено 22 февраля 2019 года .
  49. ^ "GAN были изобретены в 2010 году?" . reddit r / MachineLearning . 2019 . Проверено 28 мая 2019 .
  50. ^ Ли, Вэй; Гаучи, Мелвин; Гросс, Родерич (6 июля 2013 г.). «Коэволюционный подход к изучению поведения животных посредством контролируемого взаимодействия». Труды 15-й Ежегодной конференции по генетическим и эволюционным вычислениям (GECCO 2013) . Амстердам, Нидерланды: ACM. С. 223–230. DOI : 10.1145 / 2463372.2465801 .
  51. ↑ Абу-Халаф, Мурад; Льюис, Фрэнк Л .; Хуан, Цзе (1 июля 2008 г.). «Нейродинамическое программирование и игры с нулевой суммой для систем с ограничениями». IEEE-транзакции в нейронных сетях . 19 (7): 1243–1252. DOI : 10.1109 / TNN.2008.2000204 . S2CID 15680448 . 
  52. ↑ Абу-Халаф, Мурад; Льюис, Фрэнк Л .; Хуан, Цзе (1 декабря 2006 г.). «Политические итерации по уравнению Гамильтона – Якоби – Айзекса для управления с обратной связью с входным насыщением». DOI : 10.1109 / TAC.2006.884959 . S2CID 1338976 .  Цитировать журнал требует |journal=( помощь )
  53. ^ Саджади, Мехди С.М.; Шёлкопф, Бернхард; Хирш, Майкл (2016-12-23). «EnhanceNet: сверхвысокое разрешение одиночного изображения посредством автоматического синтеза текстур». arXiv : 1612.07919 [ cs.CV ].
  54. ^ «Этого человека не существует: со временем и с ИИ ничего не будет» . 20 марта 2019.
  55. ^ «ИСКУССТВЕННЫЙ интеллект входит в историю искусства» . 28 декабря 2018.
  56. ^ Том Février (2019-02-17). "Le scandale de l'intelligence ARTificielle" .
  57. ^ «StyleGAN: официальная реализация TensorFlow» . 2 марта 2019 г. - через GitHub.
  58. ^ Паес, Данни (2019-02-13). «Этот человек не существует - лучший одноразовый сайт 2019 года» . Проверено 16 февраля 2019 .
  59. ^ BESCHIZZA, ROB (2019-02-15). «Этого человека не существует» . Боинг-Боинг . Проверено 16 февраля 2019 .
  60. ^ Хорев, Rani (2018-12-26). «GAN на основе стилей - создание и настройка реалистичных искусственных лиц» . Lyrn.AI . Проверено 16 февраля 2019 .
  61. ^ Эльгаммал, Ахмед; Лю, Бингчен; Эльхосейни, Мохамед; Маццоне, Мариан (2017). «CAN: творческие состязательные сети, создающие« искусство », узнавая о стилях и отклоняясь от стилевых норм». arXiv : 1706.07068 [ cs.AI ].
  62. ^ Кон, Гейб (2018-10-25). «Искусство искусственного интеллекта на Christie's продается за 432 500 долларов» . Нью-Йорк Таймс .
  63. ^ Маццоне, Мэриан; Ахмед Эльгаммал (21 февраля 2019 г.). «Искусство, творчество и возможности искусственного интеллекта» . Искусство . 8 : 26. DOI : 10,3390 / arts8010026 .
  64. ^ Kulp, Патрик (23 мая 2019). «Лаборатория искусственного интеллекта Samsung может создавать фальшивые видеозаписи из одного выстрела в голову» . AdWeek .
  65. ^ Ю, Йи; Каналес, Саймон (15 августа 2019 г.). «Условный LSTM-GAN для генерации мелодии из текстов». arXiv : 1908.05551 [ cs.AI ].
  66. ^ «AI Nvidia воссоздает Pac-Man с нуля, просто наблюдая, как в него играют» . Грань . 2020-05-22.
  67. ↑ Сын Ук Ким; Чжоу, Юхао; Филион, Иона; Торральба, Антонио; Фидлер, Саня (2020). «Обучение моделированию динамических сред с помощью GameGAN». arXiv : 2005.12126 [ cs.CV ].
  68. ^ Донахью, Джефф; Крахенбюль, Филипп; Даррелл, Тревор (2016). «Обучение состязательному признаку». arXiv : 1605.09782 [ cs.LG ].
  69. ^ Махзани, Алиреза; Шленс, Джонатон; Джайтли, Навдип; Гудфеллоу, Ян ; Фрей, Брендан (2016). «Состязательные автоэнкодеры». arXiv : 1511.05644 [ cs.LG ].
  70. ^ Дюмулен, Винсент; Белгази, Измаил; Пул, Бен; Мастропьетро, ​​Оливье; Аржовский, Алекс; Курвиль, Аарон (2016). «Заключение, полученное противоборством». arXiv : 1606.00704 [ stat.ML ].
  71. ^ Си Чен; Ян Дуань; Рейн Хаутхофт; Джон Шульман; Илья Суцкевер ; Питер Абель (2016). «InfoGAN: обучение интерпретируемым представлениям с помощью информационных сетей, обеспечивающих максимальную эффективность генеративных состязательных сетей». arXiv : 1606.03657 [ cs.LG ].
  72. ^ Чжируй Чжан; Шуцзе Лю; Му Ли; Мин Чжоу; Энхонг Чен (октябрь 2018 г.). «Двунаправленные порождающие состязательные сети для нейронного машинного перевода» (PDF) . С. 190–199.

Внешние ссылки [ править ]

  • Рыцарь, Уилл. «5 больших прогнозов для искусственного интеллекта в 2017 году» . Обзор технологий Массачусетского технологического института . Проверено 5 января 2017 .
  • Архитектура генератора на основе стилей для генеративных состязательных сетей
  • This Person Does Not Exist  - фотореалистичные изображения несуществующих людей, созданные StyleGAN
  • This Cat Does Not Exist  - фотореалистичные изображения несуществующих кошек, созданные StyleGAN
  • «Генеративные состязательные сети: обзор и таксономия», недавний обзор Чжэнвэй Ванга, Ци Ше, Томаса Э. Уорда.