Исследование генеративно-состязательной сети

Авторы: Айрапетов А.Э., Коваленко А.А.
Опубликовано в выпуске: #10(27)/2018
DOI: 10.18698/2541-8009-2018-10-380
Раздел: Информатика, вычислительная техника и управление | Рубрика: Системный анализ, управление и обработка информации, статистика
Ключевые слова: генеративно-состязательная сеть, машинное обучение, нейронные сети, обучение без учителя, генератор, дискриминатор, перцептрон, автокодировщик
Опубликовано: 01.10.2018

Алгоритмы генеративно-состязательных нейронных сетей являются сравнительно молодыми и одними из наиболее перспективных в семействе алгоритмов машинного обучения без учителя. В настоящее время такие нейронные сети применяются для генерации фотореалистичных изображений на основе предоставленных ей примеров. Однако потенциал данной подгруппы алгоритмов раскрыт не полностью и позволяет увеличить правдоподобность генерируемых изображений. В работе описаны особенности структуры генеративно-состязательной нейронной сети, выполнен анализ ее точности и производительности, а также приведены решения, позволяющие оптимизировать существующие алгоритм обучения и топологию нейронной сети.

Литература

[1] GAN — генеративные состязательные сети. URL: http://robocraft.ru/blog/machinelearning/3693.html (дата обращения 10.05.2018).

[2] GAN: a beginner’s guide to generative adversarial networks. URL: https://deeplearning4j.org/generative-adversarial-network (дата обращения 15.05.2018).

[3] Goodfellow I.J., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair Sh., Courville A., Bengio Yo. Generative adversarial networks. Universite de Montreal, 2014, 9 p.

[4] Generative adversarial networks. URL: https://habr.com/post/352794 (дата обращения 17.05.2018).

[5] Ganin Ya., Lempitsky V. Unsupervised domain adaptation by backpropagation. URL: https://arxiv.org/pdf/1409.7495.pdf (дата обращения 15.05.2018).

[6] Gitman I. Adversarial networks. URL: http://www.machinelearning.ru/wiki/images/4/4f/Gan.pdf (дата обращения 20.05.2018).

[7] How to train a GAN? Tips and tricks to make GANs work. URL: https://github.com/soumith/ganhacks (дата обращения 21.05.2018).

[8] Mirza M., Osindero S. Conditional generative adversarial nets. URL: https://arxiv.org/pdf/1411.1784.pdf (дата обращения 15.05.2018).

[9] A beginner’s guide to deep autoencoders. URL: https://deeplearning4j.org/deepautoencoder (дата обращения 28.05.18).

[10] Makhzani A., Shlens J., Jaitly N., Goodfellow I., Frey B. Adversarial autoencoders. URL: https://arxiv.org/pdf/1511.05644.pdf (дата обращения 15.05.2018).