เครือข่ายผู้ให้คำปรึกษาทั่วไปทำงานอย่างไร


12

ฉันกำลังอ่านเกี่ยวกับเครือข่าย adversarial (GANs) และฉันมีข้อสงสัยเกี่ยวกับมัน จนถึงตอนนี้ฉันเข้าใจว่าใน GAN มีเครือข่ายประสาทสองประเภทที่แตกต่างกัน: หนึ่งคือกำเนิด ( ) และเลือกปฏิบัติอื่น ( ) เครือข่ายนิวรัลแบบกำเนิดสร้างข้อมูลบางอย่างซึ่งเครือข่ายนิวรัลแบบเลือกปฏิบัติตัดสินความถูกต้อง GAN เรียนรู้โดยผ่านฟังก์ชั่นการสูญเสียไปยังเครือข่ายทั้งสองGD

discriminative ( ) neural nets ในตอนแรกรู้ได้อย่างไรว่าข้อมูลที่สร้างโดยนั้นถูกต้องหรือไม่? เราต้องฝึกก่อนแล้วเพิ่มมันเข้าไปใน GAN ด้วยหรือไม่?DGDG

ลองพิจารณาสุทธิที่ผ่านการฝึกอบรมของฉันซึ่งสามารถจัดประเภทรูปภาพที่มีความแม่นยำร้อยละ 90 หากเราเพิ่มสุทธินี้ไปยัง GAN มีความน่าจะเป็น 10% มันจะจำแนกภาพผิด หากเราฝึก GAN ด้วยสุทธินี้แล้วมันจะมีข้อผิดพลาด 10% เหมือนกันในการจำแนกภาพหรือไม่? ถ้าใช่แล้วทำไม GAN ถึงแสดงผลลัพธ์ที่มีแนวโน้มDDD

คำตอบ:


4

เปรียบเทียบข้อมูลที่สร้างขึ้นและข้อมูลจริง

ผลลัพธ์ทั้งหมดที่ผลิตโดย G ถือว่าเป็น "ผิด" ตามคำนิยามเสมอแม้สำหรับเครื่องกำเนิดที่ดีมาก

คุณให้เครือข่าย discriminative neuralกับผลลัพธ์ที่สร้างโดยเครือข่ายตัวกำเนิดและผลลัพธ์จริงจากแหล่งภายนอกและจากนั้นคุณฝึกเพื่อแยกความแตกต่างถ้าผลลัพธ์ถูกสร้างโดยตัวกำเนิดหรือไม่ - คุณไม่ได้เปรียบเทียบ " ผลลัพธ์ที่ดี "และ" ไม่ดี "คุณกำลังเปรียบเทียบผลลัพธ์จริงกับผลลัพธ์ที่สร้างขึ้นDG

สิ่งนี้จะส่งผลให้ "วิวัฒนาการร่วมกัน" ในฐานะจะเรียนรู้ที่จะค้นหาคุณลักษณะที่แยกผลลัพธ์จริงออกจากสิ่งที่สร้างขึ้นและจะเรียนรู้วิธีสร้างผลลัพธ์ที่ยากที่จะแยกความแตกต่างจากข้อมูลจริงDG


2

จำแนกเครือข่าย ( ) เรียนรู้การเลือกปฏิบัติโดยความหมาย - เรามีให้กับความจริงและข้อมูลที่สร้างขึ้นและปล่อยให้มันเรียนรู้ด้วยตัวเองวิธีการที่จะเห็นความแตกต่างระหว่างคนทั้งสองD

ดังนั้นเราจึงคาดว่าเครือข่ายจะปรับปรุงความสามารถของเครือข่ายเพื่อสร้างภาพที่ดีขึ้นและดีขึ้น (หรือข้อมูลประเภทอื่น) เนื่องจากพยายาม "หลอกลวง" เครือข่ายโดยสร้างข้อมูลใหม่ที่คล้ายกับ "ข้อมูลจริง" มากขึ้น มันไม่ได้เกี่ยวกับความถูกต้องของเครือข่ายเลย มันไม่เกี่ยวกับการปรับปรุงความแม่นยำแต่เป็นการปรับปรุงความสามารถของคอมพิวเตอร์ในการสร้างข้อมูลที่ "น่าเชื่อถือ" มากขึ้นDGDD

ที่กล่าวว่าการใช้สถานการณ์นี้อาจเป็นวิธีที่ "ไม่ได้รับอนุญาต" ที่ดีในการปรับปรุงพลังการจำแนกประเภทของเครือข่ายนิวรัลเนื่องจากมันบังคับให้โมเดลเครื่องกำเนิดไฟฟ้าเรียนรู้คุณสมบัติที่ดีขึ้นของข้อมูลจริงและเรียนรู้วิธีแยกแยะ ข้อมูลที่จำเป็นสำหรับแผนการเรียนรู้แบบดั้งเดิมภายใต้การดูแลน้อยกว่ามาก

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.