| http://dbpedia.org/ontology/abstract
|
Τα Παραγωγικά Αντιπαλικά Δίκτυα (ΠΑΔ), γνω … Τα Παραγωγικά Αντιπαλικά Δίκτυα (ΠΑΔ), γνωστά επίσης ως Αντιπαλικά Δίκτυα, Παραγωγικά Ανταγωνιστικά Δίκτυα, Παραγωγικά Δἰκτυα Αντιπάλων και Aναγεννητικά Aνταγωνιστικά Δίκτυα (στα αγγλικά Generative Adversarial Networks - GAN) είναι μια κατηγορία συστημάτων μηχανικής μάθησης που εφευρέθηκε από τον Ian Goodfellow και τους συναδέλφους του το 2014. Βασίζονται στην λογική της αντιπαλικής μάθησης. Δύο νευρωνικά δίκτυα διαγωνίζονται σε ένα παίγνιο (με την έννοια της θεωρίας παιγνίων, συχνά αλλά όχι πάντα με τη μορφή ενός παιγνίου μηδενικού αθροίσματος ). Δοθέντος ενός συνόλου εκπαίδευσης, αυτή η τεχνική μαθαίνει να δημιουργεί νέα δεδομένα με τα ίδια στατιστικά στοιχεία. Για παράδειγμα, ένα αντιπαλικό δίκτυο εκπαιδευμένο σε φωτογραφίες μπορεί να δημιουργήσει νέες φωτογραφίες που φαίνονται τουλάχιστον επιφανειακά αυθεντικές στους ανθρώπινους παρατηρητές, έχοντας πολλά ρεαλιστικά χαρακτηριστικά. Αν και αρχικά προτάθηκαν αμιγώς ως μορφή παραγωγικού μοντέλου για εφαρμογές μη επιβλεπόμενη μάθηση, τα ΠΑΔ έχουν επίσης αποδειχθεί χρήσιμα για την ημι-εποπτευόμενη μάθηση, την πλήρως εποπτευόμενη μάθηση και ενισχυτική μάθηση . Σε ένα σεμινάριο του 2016, ο Yann LeCun περιέγραψε τα GAN ως "την πιο έξυπνη ιδέα στη μηχανική μάθηση τα τελευταία είκοσι χρόνια".χανική μάθηση τα τελευταία είκοσι χρόνια".
, Las Redes Generativas Antagónicas (RGAs), … Las Redes Generativas Antagónicas (RGAs), también conocidas como GANs en inglés, son una clase de algoritmos de inteligencia artificial que se utilizan en el aprendizaje no supervisado, implementadas por un sistema de dos redes neuronales que compiten mutuamente en una especie de juego de suma cero. Fueron presentadas por Ian Goodfellow et al. en 2014. Esta técnica puede generar fotografías que parecen auténticas a observadores humanos. Por ejemplo, una fotografía sintética de un gato que consiga engañar al discriminador (una de las partes funcionales del algoritmo), es probable que lleve a una persona cualquiera a aceptarlo como una fotografía real.era a aceptarlo como una fotografía real.
, In kunstmatige intelligentie is een genera … In kunstmatige intelligentie is een generatief antagonistennetwerk (Engels generative adversarial network of GAN, Frans réseaux antagonistes génératifs) een klasse van algoritmen voor ongecontroleerd leren. Een GAN is een waar twee netwerken met elkaar concurreren in een speltheorie-scenario. Het eerste netwerk is de generator, die een staal (monster) genereert (bijvoorbeeld een beeld), terwijl de tegenstander, de discriminator, probeert te detecteren of het monster echt is, dan wel “gefabriceerd” werd door de generator. Het leerproces kan worden gemodelleerd als een nulsomspel. Een van de eerste praktische resultaten van deze toepassing was het genereren van hoogst realistische beelden, wisselend gedemonstreerd op een website.. Intussen wordt ook Russisch onderzoek gemeld naar toepassingen in de farmacie, bij het ontwikkelen van nieuwe moleculaire structuren. En een Franse groep kunstenaars genereerde met een GAN een fictief beeld uit een selectie van beelden met gemeenschappelijke visuele kenmerken. Vervolgens werd het resultaat door de groep kunstenaars aangepast en verbeterd. Bij verkoop in oktober 2018 bracht de nieuwe creatie 432.500 dollar op. Aan de basis van deze algoritmen ligt onderzoek uit 2014 van Ian Goodfellow en collega’s aan de Universiteit van Montreal.ollega’s aan de Universiteit van Montreal.
, شبكات الخصومة التوليدية ( GAN ) أو الشبكات … شبكات الخصومة التوليدية ( GAN ) أو الشبكات التوليدية الخصومية هي نوع من شبكات التعلم الآلي التي اخترعها إيان جودفيلو وزملاؤه في عام 2014. تتنافس شبكتان عصبيتان مع بعضهما في لعبة (بمعنى نظرية اللعبة ، غالبًا ولكن ليس دائمًا في شكل لعبة محصلتها صفر ) الهدف منها التدرب على إنشاء بيانات مفبركة مشابهة للبيانات الحقيقية، يصعب على مراقب بشري أو آلي التفريق بينهما.تتعلم هذه التقنية إنشاء بيانات جديدة بنفس الخصائص الإحصائية لمجموعة التدريب. على سبيل المثال ، يمكن لـ GAN المُدرَّب على الصور الفوتوغرافية إنشاء صور جديدة تبدو حقيقية للمراقبين البشريين ، ولها العديد من الخصائص الواقعية.على الرغم من أنه تم اقتراحه في الأصل كشكل من أشكال النموذج التوليدي للتعلم غير الخاضع للرقابة ، فقد أثبتت شبكات GAN أيضًا أنها مفيدة للتعلم شبه الخاضع للإشراف ، التعلم الخاضع للإشراف الكامل ، والتعلم المعزز . في ندوة عام 2016 ، وصف خبير الذكاء الاصطناعي يان لوكون شبكات GAN بأنها «أروع فكرة في ميدان التعلم الآلي في السنوات العشرين الماضية». التعلم الآلي في السنوات العشرين الماضية».
, Генеративні змага́льні мере́жі (англ. Gene … Генеративні змага́льні мере́жі (англ. Generative adversarial networks, GANs) — це клас алгоритмів штучного інтелекту, що використовуються в навчанні без учителя, реалізовані системою двох штучних нейронних мереж, які змагаються одна з одною в рамках гри з нульовою сумою. Вони були запроваджені Яном Ґудфелоу в 2014 році.Ця методика дозволяє створювати фотографії, які для побіжного огляду людиною виглядають як справжні та мають багато реалістичних елементів (хоча в тестах люди можуть відрізнити реальні зображення від згенерованих у багатьох випадках).ння від згенерованих у багатьох випадках).
, Генеративно-состязательная сеть (англ. Gen … 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.ётких или частично испорченных фотографий.
, 생성적 적대 신경망(生成的敵對神經網, 영어: Generative Adversarial Network; GAN)은 비지도 학습에 사용되는 인공지능 알고리즘으로, 제로섬 게임 틀 안에서 서로 경쟁하는 두 개의 신경 네트워크 시스템에 의해 구현된다. 이 개념은 2014년에 이안 굿펠로우(Ian. j. Goodfellow)에 의해 발표되었다.
, Les Xarxes Generatives Antagòniques (RGAs) … Les Xarxes Generatives Antagòniques (RGAs), també conegudes com a GANs en anglès, són una classe d'algorismes d'intel·ligència artificial, el machine learning, que s'utilitzen en l'aprenentatge no supervisat, implementades per un sistema de dues xarxes neuronals que competeixen mútuament en una espècie de Joc de suma nul·la. Van ser presentades per Ian Goodfellow al 2014. Aquesta tècnica pot generar fotografies que semblen autèntiques als observadors humans. Per exemple, una fotografia sintètica d'un gat que aconsegueixi enganyar al discriminador (una de les parts funcionals de l'algorisme), és probable que porti a una persona qualsevol a acceptar-ho com una fotografia real. La idea principal de RGAs es basa en l'entrenament indirecte a través d'un discriminador, una altra xarxa neuronal, que podrá dir quant de "realista" és una entrada, que s'actualitza dinàmicament. Això vol dir que el generador no està entrenat per minimitzar la distància a una imatge específica, sinó per enganyar al discriminador. Això ens permet que el model pugui aprendre sense supervisió. Les Xarxes Generatives Antagòniques són similars al mimetisme de biología evolutiva, per una carrera evolutiva entre aquests dos.r una carrera evolutiva entre aquests dos.
, 生成对抗网络（英語：Generative Adversarial Network，简 … 生成对抗网络（英語：Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，透過两个神经網路相互博弈的方式进行学习。该方法由伊恩·古德费洛等人于2014年提出。生成對抗網絡由一個生成網絡與一個判別網絡組成。生成網絡從潛在空間（latent space）中隨機取樣作為輸入，其輸出結果需要盡量模仿訓練集中的真實樣本。判別網絡的輸入則為真實樣本或生成網絡的輸出，其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。而生成網絡則要盡可能地欺騙判別網絡。兩個網絡相互對抗、不斷調整參數，最終目的是使判別網絡無法判斷生成網絡的輸出結果是否真實。 生成對抗網絡常用於生成以假亂真的圖片。此外，該方法還被用於生成影片、三維物體模型等。 生成對抗網絡虽然最开始提出是為了無監督學習，但经證明對、完全監督學習 、強化學習也有效。 在2016年的一個研討會上，杨立昆称生成式對抗網絡为「機器學習這二十年來最酷的想法」。2016年的一個研討會上，杨立昆称生成式對抗網絡为「機器學習這二十年來最酷的想法」。
, En intelligence artificielle, les réseaux … En intelligence artificielle, les réseaux antagonistes génératifs (RAG) parfois aussi appelés réseaux adverses génératifs (en anglais generative adversarial networks ou GANs) sont une classe d'algorithmes d'apprentissage non supervisé. Ces algorithmes ont été introduits par . Ils permettent de générer des images avec un fort degré de réalisme. Un GAN est un modèle génératif où deux réseaux sont placés en compétition dans un scénario de théorie des jeux. Le premier réseau est le générateur, il génère un échantillon (ex. une image), tandis que son adversaire, le discriminateur essaie de détecter si un échantillon est réel ou bien s'il est le résultat du générateur. Ainsi, le générateur est entrainé avec comme but de tromper le discriminateur. L'apprentissage peut être modélisé comme un jeu à somme nulle. L'apprentissage de ces réseaux est difficile en pratique, avec des problèmes importants de non convergence.s problèmes importants de non convergence.
, Generativa motståndarnätverk (från engelsk … Generativa motståndarnätverk (från engelska: generative adversarial network (GAN)) är en typ av maskininlärningsramverk framtaget av Ian Goodfellow m.fl. 2014 där två neuronnätverk tävlar mot varandra i ett nollsummespel. De två nätverken benämns vid namn "generatorn" samt "kritikern" eller "motståndaren". I originalutförandet tar generatorn in en slumpvektor som sedan upsamplas med hjälp av transponerade faltningsnätverk med flera lager till en bild. Bilden matas sedan in i kritikern, ett vanligt faltningsnätverk, där utsignalen indikerar om bilden är genererad från generatorn eller utgör en verklig bild. Träningen sker i två steg; först får generatorn generera ett antal artificiella bilder, samtidigt som några verkliga bilder införskaffas. Kritikern tränas att avgöra vilken bild som är genererad respektive verklig. Sedan stoppas träningen och vikterna i kritikern hålls konstanta. Generatorn tränas att generera bilder där kritikern anser bilden vara verklig. Kritikern kan alltså anses vara en del av fel- eller förlustfunktionen och kallas därför för motståndarförlustfunktion. Dessa två träningsprocedurer alterneras sedan ett antal gånger till önskat resultat uppnås. Kritikern tas sedan bort och generatorn kan generera realistiska bilder från slumpvektorerrera realistiska bilder från slumpvektorer
, 敵対的生成ネットワーク （てきたいてきせいせいネットワーク、英: Generative adversarial networks、略称: GANs）は、2014年にイアン・グッドフェローらによって発表された教師なし学習で使用される人工知能アルゴリズムの一種であり、ゼロサムゲームフレームワークで互いに競合する2つのニューラルネットワークのシステムによって実装される。
, Generative Adversarial Networks (GAN, zu deutsch etwa „erzeugende gegnerische Netzwerke“) sind in der Informatik eine Gruppe von Algorithmen für unüberwachtes Lernen.
, A generative adversarial network (GAN) is … A generative adversarial network (GAN) is a class of machine learning frameworks designed by Ian Goodfellow and his colleagues in June 2014. Two neural networks contest with each other in the form of a zero-sum game, where one agent's gain is another agent's loss. Given a training set, this technique learns to generate new data with the same statistics as the training set. For example, a GAN trained on photographs can generate new photographs that look at least superficially authentic to human observers, having many realistic characteristics. Though originally proposed as a form of generative model for unsupervised learning, GANs have also proved useful for semi-supervised learning, fully supervised learning, and reinforcement learning. The core idea of a GAN is based on the "indirect" training through the discriminator, another neural network that can tell how "realistic" the input seems, which itself is also being updated dynamically. This means that the generator is not trained to minimize the distance to a specific image, but rather to fool the discriminator. This enables the model to learn in an unsupervised manner. GANs are similar to mimicry in evolutionary biology, with an evolutionary arms race between both networks.lutionary arms race between both networks.
, Una rete generativa avversaria (in inglese … Una rete generativa avversaria (in inglese generative adversarial network o GAN) è una classe di metodi di apprendimento automatico, introdotta per la prima volta da Ian Goodfellow, in cui due reti neurali vengono addestrate in maniera competitiva nel contesto di un gioco a somma zero. Questo tipo di framework permette alla rete neurale di apprendere come generare nuovi dati aventi la stessa distribuzione dei dati usati in fase di addestramento. Ad esempio, è possibile ottenere una rete neurale in grado di generare volti umani iperrealistici, come dimostrato nel 2018 da NVIDIA, azienda produttrice di GPU. La rete generativa avversaria è detta anche rete antagonista generativa o rete contraddittoria generativa.erativa o rete contraddittoria generativa.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Types_of_deep_generative_models.png?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
https://www.thispersondoesnotexist.com/ +
, https://leginfo.legislature.ca.gov/faces/billTextClient.xhtml%3Fbill_id=201920200AB602 +
, https://leginfo.legislature.ca.gov/faces/billTextClient.xhtml%3Fbill_id=201920200AB730 +
, https://thiscatdoesnotexist.com/ +
, https://github.com/yy1lab/Lyrics-Conditioned-Neural-Melody-Generation +
, https://www.technologyreview.com/s/603216/5-big-predictions-for-artificial-intelligence-in-2017/%7Ctitle=5 +
|
| http://dbpedia.org/ontology/wikiPageID
|
50073184
|
| http://dbpedia.org/ontology/wikiPageLength
|
94975
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1120465199
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Stochastic_matrix +
, http://dbpedia.org/resource/Text-to-Video_model +
, http://dbpedia.org/resource/Boltzmann_machine +
, http://dbpedia.org/resource/Supersampling +
, http://dbpedia.org/resource/CERN +
, http://dbpedia.org/resource/Neural_network +
, http://dbpedia.org/resource/Semi-supervised_learning +
, http://dbpedia.org/resource/Alpha_compositing +
, http://dbpedia.org/resource/Discriminative_model +
, http://dbpedia.org/resource/Attention_mechanism +
, http://dbpedia.org/resource/Forensic_facial_reconstruction +
, http://dbpedia.org/resource/Objective_function +
, http://dbpedia.org/resource/Strategy_%28game_theory%29 +
, http://dbpedia.org/resource/Radon%E2%80%93Nikodym_derivative +
, http://dbpedia.org/resource/Final_Fantasy_VIII +
, http://dbpedia.org/resource/Probability_space +
, http://dbpedia.org/resource/Normal_distribution +
, http://dbpedia.org/resource/Final_Fantasy_IX +
, http://dbpedia.org/resource/Marc_Berman +
, http://dbpedia.org/resource/Logistic_function +
, http://dbpedia.org/resource/Variational_autoencoder +
, http://dbpedia.org/resource/Artificial_intelligence_art +
, http://dbpedia.org/resource/Spatial_anti-aliasing +
, http://dbpedia.org/resource/Deep_neural_network +
, http://dbpedia.org/resource/Inpainting +
, http://dbpedia.org/resource/Heat_equation +
, http://dbpedia.org/resource/Heat_kernel +
, http://dbpedia.org/resource/3D_reconstruction_from_multiple_images +
, http://dbpedia.org/resource/Hinge_loss +
, http://dbpedia.org/resource/Asymptotic_theory_%28statistics%29 +
, http://dbpedia.org/resource/Particle_physics +
, http://dbpedia.org/resource/Multivariate_normal_distribution +
, http://dbpedia.org/resource/Machine_learning +
, http://dbpedia.org/resource/PC_game +
, http://dbpedia.org/resource/Dynamical_system +
, http://dbpedia.org/resource/Zero-sum_game +
, http://dbpedia.org/resource/Facebook +
, http://dbpedia.org/resource/Maximum_likelihood_estimation +
, http://dbpedia.org/resource/Image_scaling +
, http://dbpedia.org/resource/Particle_shower +
, http://dbpedia.org/resource/Independent_component_analysis +
, http://dbpedia.org/resource/%CE%A3-algebra +
, http://dbpedia.org/resource/Clothing +
, http://dbpedia.org/resource/Industrial_design +
, http://dbpedia.org/resource/Gramian_matrix +
, http://dbpedia.org/resource/Gravitational_lens +
, http://dbpedia.org/resource/Measure_theory +
, http://dbpedia.org/resource/Data_augmentation +
, http://dbpedia.org/resource/Wasserstein_GAN +
, http://dbpedia.org/resource/Fr%C3%A9chet_inception_distance +
, http://dbpedia.org/resource/Photorealistic_rendering +
, http://dbpedia.org/resource/Evolutionary_biology +
, http://dbpedia.org/resource/Vanishing_gradient_problem +
, http://dbpedia.org/resource/Category:Neural_network_architectures +
, http://dbpedia.org/resource/Generative_model +
, http://dbpedia.org/resource/Empirical_measure +
, http://dbpedia.org/resource/Neural_machine_translation +
, http://dbpedia.org/resource/Gradient_descent +
, http://dbpedia.org/resource/Markov_kernel +
, http://dbpedia.org/resource/Jensen%E2%80%93Shannon_divergence +
, http://dbpedia.org/resource/Ian_Goodfellow +
, http://dbpedia.org/resource/Mimicry +
, http://dbpedia.org/resource/Evolutionary_arms_race +
, http://dbpedia.org/resource/Stochastic_optimization +
, http://dbpedia.org/resource/Transfer_learning +
, http://dbpedia.org/resource/Nyquist%E2%80%93Shannon_sampling_theorem +
, http://dbpedia.org/resource/Mutual_information +
, http://dbpedia.org/resource/Pac-Man +
, http://dbpedia.org/resource/Astrophotography +
, http://dbpedia.org/resource/Transformer_%28machine_learning_model%29 +
, http://dbpedia.org/resource/Nvidia +
, http://dbpedia.org/resource/Low-pass_filter +
, http://dbpedia.org/resource/Filter_%28signal_processing%29 +
, http://dbpedia.org/resource/Pushforward_measure +
, http://dbpedia.org/resource/Multilayer_perceptron +
, http://dbpedia.org/resource/Dark_matter +
, http://dbpedia.org/resource/Backpropagation +
, http://dbpedia.org/resource/Look_Around_You +
, http://dbpedia.org/resource/Resident_Evil_%282002_video_game%29 +
, http://dbpedia.org/resource/The_Verge +
, http://dbpedia.org/resource/ImageNet +
, http://dbpedia.org/resource/Adversarial_machine_learning +
, http://dbpedia.org/resource/Artbreeder +
, http://dbpedia.org/resource/State_of_the_art +
, http://dbpedia.org/resource/Inceptionv3 +
, http://dbpedia.org/resource/Ben_Drowned +
, http://dbpedia.org/resource/Category:Unsupervised_learning +
, http://dbpedia.org/resource/Gavin_Newsom +
, http://dbpedia.org/resource/Convolution_of_probability_distributions +
, http://dbpedia.org/resource/File:Types_of_deep_generative_models.png +
, http://dbpedia.org/resource/File:Woman_1.jpg +
, http://dbpedia.org/resource/Binary_entropy_function +
, http://dbpedia.org/resource/Image_restoration +
, http://dbpedia.org/resource/Edmond_de_Belamy +
, http://dbpedia.org/resource/Max_Payne +
, http://dbpedia.org/resource/Variational_autoencoders +
, http://dbpedia.org/resource/Flow-based_generative_model +
, http://dbpedia.org/resource/Supervised_learning +
, http://dbpedia.org/resource/Cross-entropy +
, http://dbpedia.org/resource/MNIST +
, http://dbpedia.org/resource/Lipschitz_norm +
, http://dbpedia.org/resource/Reinforcement_learning +
, http://dbpedia.org/resource/File:GAN_deepfake_white_girl.jpg +
, http://dbpedia.org/resource/Category:Cognitive_science +
, http://dbpedia.org/resource/File:StyleGAN-1_and_StyleGAN-2.png +
, http://dbpedia.org/resource/Stochasticity +
, http://dbpedia.org/resource/File:A_Recent_Entrance_to_Paradise.jpg +
, http://dbpedia.org/resource/Interior_design +
, http://dbpedia.org/resource/Probability_axioms +
, http://dbpedia.org/resource/Inception_score +
, http://dbpedia.org/resource/Convolutional_neural_network +
, http://dbpedia.org/resource/Mod_%28video_gaming%29 +
, http://dbpedia.org/resource/Game_theory +
, http://dbpedia.org/resource/4K_resolution +
, http://dbpedia.org/resource/Neural_style_transfer +
, http://dbpedia.org/resource/Explainable_artificial_intelligence +
, http://dbpedia.org/resource/Autoencoder +
, http://dbpedia.org/resource/Faithful_representation +
, http://dbpedia.org/resource/Calorimeter_%28particle_physics%29 +
, http://dbpedia.org/resource/StyleGAN +
, http://dbpedia.org/resource/Human_image_synthesis +
, http://dbpedia.org/resource/Latent_space +
, http://dbpedia.org/resource/Deepfake +
, http://dbpedia.org/resource/Universal_approximation_theorem +
, http://dbpedia.org/resource/Unsupervised_learning +
, http://dbpedia.org/resource/Nash_equilibrium +
, http://dbpedia.org/resource/WaveNet +
, http://dbpedia.org/resource/Continuous_uniform_distribution +
, http://dbpedia.org/resource/Minimax_theorem +
, http://dbpedia.org/resource/Borel_Algebra +
|
| http://dbpedia.org/property/mathStatement
|
For any GAN game, there exists , that is both a sequential equilibrium and a Nash equilibrium:
That is, the generator perfectly mimics the reference, and the discriminator outputs deterministically on all inputs.
, For any fixed generator strategy , let the optimal reply be , then
where the derivative is the Radon–Nikodym derivative, and is the Jensen–Shannon divergence.
|
| http://dbpedia.org/property/name
|
Theorem
|
| http://dbpedia.org/property/note
|
the optimal discriminator computes the Jensen–Shannon divergence
, the unique equilibrium point
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Cite_news +
, http://dbpedia.org/resource/Template:Distinguish +
, http://dbpedia.org/resource/Template:Short_description +
, http://dbpedia.org/resource/Template:Math_theorem +
, http://dbpedia.org/resource/Template:Main +
, http://dbpedia.org/resource/Template:Use_mdy_dates +
, http://dbpedia.org/resource/Template:Snd +
, http://dbpedia.org/resource/Template:Math_proof +
, http://dbpedia.org/resource/Template:Excerpt +
, http://dbpedia.org/resource/Template:Cite_arXiv +
, http://dbpedia.org/resource/Template:Portal +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Citation_needed +
, http://dbpedia.org/resource/Template:Differentiable_computing +
, http://dbpedia.org/resource/Template:Machine_learning +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Cognitive_science +
, http://dbpedia.org/resource/Category:Neural_network_architectures +
, http://dbpedia.org/resource/Category:Unsupervised_learning +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Generative_adversarial_network?oldid=1120465199&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Woman_1.jpg +
, http://commons.wikimedia.org/wiki/Special:FilePath/StyleGAN-1_and_StyleGAN-2.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/GAN_deepfake_white_girl.jpg +
, http://commons.wikimedia.org/wiki/Special:FilePath/A_Recent_Entrance_to_Paradise.jpg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Types_of_deep_generative_models.png +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Generative_adversarial_network +
|
| owl:differentFrom |
http://dbpedia.org/resource/Adversarial_machine_learning +
|
| owl:sameAs |
http://fr.dbpedia.org/resource/R%C3%A9seaux_antagonistes_g%C3%A9n%C3%A9ratifs +
, http://fa.dbpedia.org/resource/%D8%B4%D8%A8%DA%A9%D9%87%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%B2%D8%A7%DB%8C%D8%A7%DB%8C_%D8%AF%D8%B4%D9%85%D9%86%DA%AF%D9%88%D9%86%D9%87 +
, http://zh.dbpedia.org/resource/%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C +
, http://he.dbpedia.org/resource/GAN_%28%D7%9C%D7%9E%D7%99%D7%93%D7%94_%D7%97%D7%99%D7%A9%D7%95%D7%91%D7%99%D7%AA%29 +
, http://el.dbpedia.org/resource/%CE%A0%CE%B1%CF%81%CE%B1%CE%B3%CF%89%CE%B3%CE%B9%CE%BA%CF%8C_%CE%B1%CE%BD%CF%84%CE%B9%CF%80%CE%B1%CF%81%CE%B1%CE%B8%CE%B5%CF%84%CE%B9%CE%BA%CF%8C_%CE%B4%CE%AF%CE%BA%CF%84%CF%85%CE%BF +
, http://simple.dbpedia.org/resource/Generative_adversarial_networks +
, https://global.dbpedia.org/id/2Mmns +
, http://vi.dbpedia.org/resource/M%E1%BA%A1ng_%C4%91%E1%BB%91i_ngh%E1%BB%8Bch_t%E1%BA%A1o_sinh +
, http://ar.dbpedia.org/resource/%D8%B4%D8%A8%D9%83%D8%A9_%D8%AE%D8%B5%D9%88%D9%85%D9%8A%D8%A9_%D8%AA%D9%88%D9%84%D9%8A%D8%AF%D9%8A%D8%A9 +
, http://ru.dbpedia.org/resource/%D0%93%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%82%D0%B8%D0%B2%D0%BD%D0%BE-%D1%81%D0%BE%D1%81%D1%82%D1%8F%D0%B7%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D1%82%D1%8C +
, http://dbpedia.org/resource/Generative_adversarial_network +
, http://de.dbpedia.org/resource/Generative_Adversarial_Networks +
, http://ca.dbpedia.org/resource/Xarxa_generativa_antag%C3%B2nica +
, http://www.wikidata.org/entity/Q25104379 +
, http://sv.dbpedia.org/resource/Generativa_motst%C3%A5ndarn%C3%A4tverk +
, http://nl.dbpedia.org/resource/Generatief_antagonistennetwerk +
, http://ja.dbpedia.org/resource/%E6%95%B5%E5%AF%BE%E7%9A%84%E7%94%9F%E6%88%90%E3%83%8D%E3%83%83%E3%83%88%E3%83%AF%E3%83%BC%E3%82%AF +
, http://ko.dbpedia.org/resource/%EC%83%9D%EC%84%B1%EC%A0%81_%EC%A0%81%EB%8C%80_%EC%8B%A0%EA%B2%BD%EB%A7%9D +
, http://uk.dbpedia.org/resource/%D0%93%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%82%D0%B8%D0%B2%D0%BD%D0%B0_%D0%B7%D0%BC%D0%B0%D0%B3%D0%B0%D0%BB%D1%8C%D0%BD%D0%B0_%D0%BC%D0%B5%D1%80%D0%B5%D0%B6%D0%B0 +
, http://fi.dbpedia.org/resource/Generatiivinen_kilpaileva_verkosto +
, http://it.dbpedia.org/resource/Rete_generativa_avversaria +
, http://tr.dbpedia.org/resource/%C3%87eki%C5%9Fmeli_%C3%BCretici_a%C4%9F +
, http://es.dbpedia.org/resource/Red_generativa_antag%C3%B3nica +
|
| rdfs:comment |
생성적 적대 신경망(生成的敵對神經網, 영어: Generative Adversarial Network; GAN)은 비지도 학습에 사용되는 인공지능 알고리즘으로, 제로섬 게임 틀 안에서 서로 경쟁하는 두 개의 신경 네트워크 시스템에 의해 구현된다. 이 개념은 2014년에 이안 굿펠로우(Ian. j. Goodfellow)에 의해 발표되었다.
, شبكات الخصومة التوليدية ( GAN ) أو الشبكات … شبكات الخصومة التوليدية ( GAN ) أو الشبكات التوليدية الخصومية هي نوع من شبكات التعلم الآلي التي اخترعها إيان جودفيلو وزملاؤه في عام 2014. تتنافس شبكتان عصبيتان مع بعضهما في لعبة (بمعنى نظرية اللعبة ، غالبًا ولكن ليس دائمًا في شكل لعبة محصلتها صفر ) الهدف منها التدرب على إنشاء بيانات مفبركة مشابهة للبيانات الحقيقية، يصعب على مراقب بشري أو آلي التفريق بينهما.تتعلم هذه التقنية إنشاء بيانات جديدة بنفس الخصائص الإحصائية لمجموعة التدريب. على سبيل المثال ، يمكن لـ GAN المُدرَّب على الصور الفوتوغرافية إنشاء صور جديدة تبدو حقيقية للمراقبين البشريين ، ولها العديد من الخصائص الواقعية.على الرغم من أنه تم اقتراحه في الأصل كشكل من أشكال النموذج التوليدي للتعلم غير الخاضع للرقابة ، فقد أثبتت شبكات GAN أيضًا أنها مفيدة للتعلم شبه الخاضع للإشراف ، التعلم الخاضع للإشراف الكامل ، والتعلم المعزز . في ندوة عاإشراف الكامل ، والتعلم المعزز . في ندوة عا
, A generative adversarial network (GAN) is … A generative adversarial network (GAN) is a class of machine learning frameworks designed by Ian Goodfellow and his colleagues in June 2014. Two neural networks contest with each other in the form of a zero-sum game, where one agent's gain is another agent's loss. GANs are similar to mimicry in evolutionary biology, with an evolutionary arms race between both networks.lutionary arms race between both networks.
, Generative Adversarial Networks (GAN, zu deutsch etwa „erzeugende gegnerische Netzwerke“) sind in der Informatik eine Gruppe von Algorithmen für unüberwachtes Lernen.
, In kunstmatige intelligentie is een genera … In kunstmatige intelligentie is een generatief antagonistennetwerk (Engels generative adversarial network of GAN, Frans réseaux antagonistes génératifs) een klasse van algoritmen voor ongecontroleerd leren. Een GAN is een waar twee netwerken met elkaar concurreren in een speltheorie-scenario. Het eerste netwerk is de generator, die een staal (monster) genereert (bijvoorbeeld een beeld), terwijl de tegenstander, de discriminator, probeert te detecteren of het monster echt is, dan wel “gefabriceerd” werd door de generator. Het leerproces kan worden gemodelleerd als een nulsomspel.an worden gemodelleerd als een nulsomspel.
, Генеративні змага́льні мере́жі (англ. Gene … Генеративні змага́льні мере́жі (англ. Generative adversarial networks, GANs) — це клас алгоритмів штучного інтелекту, що використовуються в навчанні без учителя, реалізовані системою двох штучних нейронних мереж, які змагаються одна з одною в рамках гри з нульовою сумою. Вони були запроваджені Яном Ґудфелоу в 2014 році.Ця методика дозволяє створювати фотографії, які для побіжного огляду людиною виглядають як справжні та мають багато реалістичних елементів (хоча в тестах люди можуть відрізнити реальні зображення від згенерованих у багатьох випадках).ння від згенерованих у багатьох випадках).
, Generativa motståndarnätverk (från engelsk … Generativa motståndarnätverk (från engelska: generative adversarial network (GAN)) är en typ av maskininlärningsramverk framtaget av Ian Goodfellow m.fl. 2014 där två neuronnätverk tävlar mot varandra i ett nollsummespel. De två nätverken benämns vid namn "generatorn" samt "kritikern" eller "motståndaren". I originalutförandet tar generatorn in en slumpvektor som sedan upsamplas med hjälp av transponerade faltningsnätverk med flera lager till en bild. Bilden matas sedan in i kritikern, ett vanligt faltningsnätverk, där utsignalen indikerar om bilden är genererad från generatorn eller utgör en verklig bild.ån generatorn eller utgör en verklig bild.
, En intelligence artificielle, les réseaux … En intelligence artificielle, les réseaux antagonistes génératifs (RAG) parfois aussi appelés réseaux adverses génératifs (en anglais generative adversarial networks ou GANs) sont une classe d'algorithmes d'apprentissage non supervisé. Ces algorithmes ont été introduits par . Ils permettent de générer des images avec un fort degré de réalisme. L'apprentissage de ces réseaux est difficile en pratique, avec des problèmes importants de non convergence.s problèmes importants de non convergence.
, Una rete generativa avversaria (in inglese … Una rete generativa avversaria (in inglese generative adversarial network o GAN) è una classe di metodi di apprendimento automatico, introdotta per la prima volta da Ian Goodfellow, in cui due reti neurali vengono addestrate in maniera competitiva nel contesto di un gioco a somma zero. Questo tipo di framework permette alla rete neurale di apprendere come generare nuovi dati aventi la stessa distribuzione dei dati usati in fase di addestramento. Ad esempio, è possibile ottenere una rete neurale in grado di generare volti umani iperrealistici, come dimostrato nel 2018 da NVIDIA, azienda produttrice di GPU.018 da NVIDIA, azienda produttrice di GPU.
, 敵対的生成ネットワーク （てきたいてきせいせいネットワーク、英: Generative adversarial networks、略称: GANs）は、2014年にイアン・グッドフェローらによって発表された教師なし学習で使用される人工知能アルゴリズムの一種であり、ゼロサムゲームフレームワークで互いに競合する2つのニューラルネットワークのシステムによって実装される。
, Τα Παραγωγικά Αντιπαλικά Δίκτυα (ΠΑΔ), γνω … Τα Παραγωγικά Αντιπαλικά Δίκτυα (ΠΑΔ), γνωστά επίσης ως Αντιπαλικά Δίκτυα, Παραγωγικά Ανταγωνιστικά Δίκτυα, Παραγωγικά Δἰκτυα Αντιπάλων και Aναγεννητικά Aνταγωνιστικά Δίκτυα (στα αγγλικά Generative Adversarial Networks - GAN) είναι μια κατηγορία συστημάτων μηχανικής μάθησης που εφευρέθηκε από τον Ian Goodfellow και τους συναδέλφους του το 2014. Βασίζονται στην λογική της αντιπαλικής μάθησης. Δύο νευρωνικά δίκτυα διαγωνίζονται σε ένα παίγνιο (με την έννοια της θεωρίας παιγνίων, συχνά αλλά όχι πάντα με τη μορφή ενός παιγνίου μηδενικού αθροίσματος ). Δοθέντος ενός συνόλου εκπαίδευσης, αυτή η τεχνική μαθαίνει να δημιουργεί νέα δεδομένα με τα ίδια στατιστικά στοιχεία. Για παράδειγμα, ένα αντιπαλικό δίκτυο εκπαιδευμένο σε φωτογραφίες μπορεί να δημιουργήσει νέες φωτογραφίες που φαίνονται τουλάχισει νέες φωτογραφίες που φαίνονται τουλάχισ
, 生成对抗网络（英語：Generative Adversarial Network，简 … 生成对抗网络（英語：Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，透過两个神经網路相互博弈的方式进行学习。该方法由伊恩·古德费洛等人于2014年提出。生成對抗網絡由一個生成網絡與一個判別網絡組成。生成網絡從潛在空間（latent space）中隨機取樣作為輸入，其輸出結果需要盡量模仿訓練集中的真實樣本。判別網絡的輸入則為真實樣本或生成網絡的輸出，其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。而生成網絡則要盡可能地欺騙判別網絡。兩個網絡相互對抗、不斷調整參數，最終目的是使判別網絡無法判斷生成網絡的輸出結果是否真實。 生成對抗網絡常用於生成以假亂真的圖片。此外，該方法還被用於生成影片、三維物體模型等。 生成對抗網絡虽然最开始提出是為了無監督學習，但经證明對、完全監督學習 、強化學習也有效。 在2016年的一個研討會上，杨立昆称生成式對抗網絡为「機器學習這二十年來最酷的想法」。2016年的一個研討會上，杨立昆称生成式對抗網絡为「機器學習這二十年來最酷的想法」。
, Les Xarxes Generatives Antagòniques (RGAs) … Les Xarxes Generatives Antagòniques (RGAs), també conegudes com a GANs en anglès, són una classe d'algorismes d'intel·ligència artificial, el machine learning, que s'utilitzen en l'aprenentatge no supervisat, implementades per un sistema de dues xarxes neuronals que competeixen mútuament en una espècie de Joc de suma nul·la. Van ser presentades per Ian Goodfellow al 2014. Les Xarxes Generatives Antagòniques són similars al mimetisme de biología evolutiva, per una carrera evolutiva entre aquests dos.r una carrera evolutiva entre aquests dos.
, Генеративно-состязательная сеть (англ. Gen … 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.еть описал из компании Google в 2014 году.
, Las Redes Generativas Antagónicas (RGAs), … Las Redes Generativas Antagónicas (RGAs), también conocidas como GANs en inglés, son una clase de algoritmos de inteligencia artificial que se utilizan en el aprendizaje no supervisado, implementadas por un sistema de dos redes neuronales que compiten mutuamente en una especie de juego de suma cero. Fueron presentadas por Ian Goodfellow et al. en 2014.entadas por Ian Goodfellow et al. en 2014.
|
| rdfs:label |
Xarxa generativa antagònica
, Παραγωγικό αντιπαραθετικό δίκτυο
, Генеративна змагальна мережа
, Generative Adversarial Networks
, Генеративно-состязательная сеть
, Generativa motståndarnätverk
, Generative adversarial network
, Rete generativa avversaria
, 生成对抗网络
, Generatief antagonistennetwerk
, Red generativa antagónica
, شبكة خصومية توليدية
, 敵対的生成ネットワーク
, Réseaux antagonistes génératifs
, 생성적 적대 신경망
|
