生成对抗网络由 Ian Goodfellow 于 2014 年提出。GAN 不是神经网络应用在无监督学习中的唯一途径,还有玻尔兹曼机(Geoffrey Hinton 和 Terry Sejnowski,1985)和自动解码器(Dana H. Ballard,1987)。三者皆致力于通过学习恒等函数 f(x)= x 从数据中提取特征,且都依赖马尔可夫链来训练或生成样本。
GAN 设计之初衷就是避免使用马尔可夫链,因为后者的计算成本很高。相对于玻尔兹曼机的另一个优点是 GAN 的限制要少得多(只有几个概率分布适用于马尔可夫链抽样)。
在本文中,我们将讲述 GAN 的基本原理及最流行的现实应用。
GAN 原理
让我们用一个比喻解释 GAN 的原理吧。
换句话说,生成器努力生成判别器难以辨认的图像,判别器也愈加聪明,以免被生成器欺骗。
「对抗训练是继切片面包之后最酷的事情。」- Yann LeCun
当判别器不能区分 p_g 和 p_data,即 D(x,θ_d)= 1/2 时,训练过程停止。达成生成器与判别器之间判定误差的平衡。
历史档案图像检索
一个有趣的 GAN 应用实例是在「Prize Papers」中检索相似标记,Prize Papers 是海洋史上最具价值的档案之一。对抗网络使得处理这些具有历史意义的文件更加容易,这些文件还包括海上扣留船只是否合法的信息。
图片生成的主要问题在于图像分布是多模态的。例如,有太多的例子完美契合文本描述的内容。GAN 有助于解决这一问题。
经过训练,网络可以从期望的分布中生成分子,并使用 GI 神经元作为输出化合物的微调器。
这项工作的成果如下:已训练 AAE 模型预测得到的化合物已被证明是抗癌药物,和需接受抗癌活性化合物实验验证的新药物。
「我们的研究结果表明,本文提出的 AAE 模型使用深度生成模型显著提高了特定抗癌能力和新分子的开发效率。」
结论
无监督学习是人工智能的下一个蓝海,我们正朝着这一方向迈进。
生成对抗网络可以应用于许多领域,从生成图像到预测药物,所以不要害怕失败。我们相信 GAN 有助于建立一个更好的机器学习的未来。
下面,我们将提供一些有用的资源来了解更多有关对抗网络的信息。
百度搜索“就爱阅读”,专业资料,生活学习,尽在就爱阅读网92to.com,您的在线图书馆!