Üretken çekişmeli ağlar (GAN'lar) hakkında okuyorum ve bu konuda bazı şüphelerim var. Şimdiye kadar, bir GAN'da iki farklı sinir ağı türü olduğunu anlıyorum: biri üretken ( $G$ ) ve diğeri ayrımcı ( $D$ ). Üretken sinir ağı, ayrımcı sinir ağının doğruluğunu değerlendirdiği bazı veriler üretir. GAN, kayıp fonksiyonunu her iki ağa da geçirerek öğrenir.

Ayrımcı ( $D$ ) sinir ağları başlangıçta $G$ tarafından üretilen verilerin doğru olup olmadığını nasıl bilir ? Önce $D$ yi eğitmeli, sonra $G$ ile GAN'a eklemeliyiz mi?

Bir resmi% 90 doğrulukla sınıflandırabilen eğitimli $D$ netimi düşünelim . Bu $D$ ağını bir GAN'a eklersek ,% 10 olasılık yanlış bir görüntüyü sınıflandıracaktır. Bu $D$ ağıyla bir GAN'ı eğitirsek, bir resmi sınıflandırırken de aynı% 10 hataya sahip olur mu? Evet ise, neden GAN'lar umut verici sonuçlar gösteriyor?

Oluşturulan ve gerçek verileri karşılaştırın

G tarafından üretilen tüm sonuçlar, çok iyi bir jeneratör için bile her zaman tanım gereği "yanlış" olarak kabul edilir.

$D$$G$

$D$$G$

$D$

$D$$G$$D$$D$

Bununla birlikte, bu senaryoyu kullanmak, jeneratör modelini gerçek verilerin daha iyi özelliklerini öğrenmeye ve gerçek özellikler ile gürültü arasında nasıl ayrım yapmayı öğrenmeye zorladığından, sinir ağlarının sınıflandırma gücünü iyileştirmek için iyi bir "denetimsiz" yol olabilir. geleneksel denetimli öğrenme planı için daha az veri gerekir.