Generative Adversarial Networks

Generative adversarial networks (en esperanto ĉ. Generitaj antagonistaj retoj, france: réseaux antagonistes génératifs) aŭ mallonge GAN), estas koncepto de maŝinlernado kiu priskribas kadron por trejnado de retoj en la kunteksto de generiga lernado aŭ nekontrolita lernado.

GAN-oj atingis rimarkindajn rezultojn en diversaj aplikoj inkluzive de la generacio de fotorealismaj bildoj, scenoj, kaj bildoj de homoj kiuj estas ne-rekoneblaj kiel falsaĵoj eĉ por homoj, verŝajne kondukos iun homon akcepti ĝin kiel realan foton^[1].

GAN estas generita modelo kie du retoj konkuras unu kun la alia en ludteoria scenaro. La unua reto estas la generatoro, kiu generas provaĵon (ekz. bildon), dum la diskriminanto (antagonisto), provas detekti ĉu la provaĵo estas reala aŭ "fabrikita" de la generatoro. La lernprocezo povas esti modeligita kiel nulsuma ludo (en: zero-sum game).

Kvankam generitaj antagonistaj retoj unue estis proponitaj por nekontrolita lernado, ili pruviĝis efikaj por duonkontrolita lernado, plene kontrolita lernado kaj plifortiga lernado. Dum seminario en 2016, Yang Likun nomis generitajn antagonistajn retojn "la plej bona ideo en maŝinlernado en la pasintaj dudek jaroj"^[2].

• GAN-oj estas uzataj por akiri fotorealismajn bildojn, ekzemple, por industriaj dezajnelementoj, endoma dezajno, dezajnado de vestaĵoj, sakoj, tekoj, komputilludaj scenoj, ktp. Lastatempe, GAN-sistemoj estis uzitaj por prepari filmon aŭ animaciokadrojn. Ĉi tiuj sistemoj ankaŭ helpas rekonstrui tridimensian modelon de objekto uzante fragmentajn bildojn kaj plibonigi bildojn akiritajn de astronomiaj observoj^[3].
• GAN-oj helpas krei bildojn bazitajn sur teksto, kapablo kiu povas pliigi la uzon de de bildaj serĉsistemoj^[4].
• Anonimi datumojn por plibonigi kibersekurecon.
• La programo Media Forensics de DARPA studas manierojn rebati falsajn novaĵojn, inkluzive de tiu generita per GAN-oj^[5].

Homaj bildoj sintezitaj de GAN povas esti malice uzataj. Tia ebla uzo inkluzivas la produktadon de falsaj fotoj kaj videaĵoj por krimaj celoj^[6]. GAN povas esti uzata por krei unikajn kaj realismajn profilbildojn de homoj, kiuj ne ekzistas, por ebligi la aŭtomatan kreadon de falsaj profiloj en sociaj retejoj^[7].

Chat GPT

Deep learning

(en) What is GAN? Generative Adversarial Networks (GAN) Explained, MOOC, Coursera

(en) Kio estas GAN? en la retejo Medium.

1. ↑ (en) Sakib Shahriar, GAN computers generate arts? A survey on visual arts, music, and literary text generation using generative adversarial network, Science Direct, Volumo 73, Julio 2022
2. ↑ (en) LeCun, Yann, RL Seminar: The Next Frontier in AI: Unsupervised Learning [2019-06-18]. Arkivita de la originalo, la 30-an de aprilo 2020.
3. ↑ (en) Schawinski, Kevin; Zhang, Ce; Zhang, Hantian; Fowler, Lucas; Santhanam, Gokula Krishnan, "Generative Adversarial Networks recover features in astrophysical images of galaxies beyond the deconvolution limit". arXiv, Cornell University, la 1-an de februaro 2017
4. ↑ (en) Antti Ukkonen, Pyry Joona, Tuukka Ruotsalo, Generating Images Instead of Retrieving Them: Relevance Feedback on Generative Adversarial Networks , Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval , ACM, 2020-07-13, p –1338 doi : 10.1145/3397271.3401129
5. ↑ (en) Knight, Will, The Defense Department has produced the first tools for catching deepfakes, MIT Technology Review, la 7-an de aŭgusto 2018.
6. ↑ (en) 'This Person Does Not Exist' Website Uses AI To Create Realistic Yet Horrifying Faces - Slashdot, tech.slashdot.org
7. ↑ (en) Michael Doyle, John Beasley lives on Saddlehorse Drive in Evansville. Or does he?, Evansville Courier & Press