شبكة خصومية توليدية

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 ، [1] والتعلم المعزز .[2] في ندوة عام 2016 ، وصف خبير الذكاء الاصطناعي يان لوكون شبكات GAN بأنها "أروع فكرة في ميدان التعلم الآلي في السنوات العشرين الماضية".[3]

هذه مقالة غير مراجعة. ينبغي أن يزال هذا القالب بعد أن يراجعها محرر مغاير للذي أنشأها؛ إذا لزم الأمر فيجب أن توسم المقالة بقوالب الصيانة المناسبة. يمكن أيضاً تقديم طلب لمراجعة المقالة في الصفحة المُخصصة لذلك. (أبريل 2020)

طريقة

تتكون شبكة الخصومة التوليدية من مكونين: شبكة توليدية و شبكة تمييزية

انطلاقا من مصفوفة من الأرقام العشوائية، تتولى الشبكة التوليدية إنشاء بيانات جديدة عبر عدد من التحويلات [4]

بينما يكون دور الشبكة التمييزية، هو التمييز بين البيانات الحقيقية و البيانات المفبركة التي تنتجها الشبكة التوليدية

يتم تدريب الشبكة التوليدية الخصومية على النحو التالي:

أولا، يتم إنشاء حزمة من البيانات المفبركة من طرف الشبكة التوليدية

بعد ذلك، يتم إضافة هذه البيانات المفبركة إلى عدد مماثل من البيانات الحقيقية، و عرضها على الشبكة التمييزية للتدريب لهدف تقوية قدراتها على التفريق بين البيانات الحقيقية و المفبركة

في خطوة ثالثة، يتم تدريب الشبكة التوليدية ذاتها على تحسين إنتاج بيانات مفبركة من أجل خداع الشبكة التمييزية

و يتم بعد ذلك إعادة هاته الخطوات الثلاث عددا من الأحقاب: تتحسن في كل حقبة قدرة الشبكة التمييزية على التفريق بين البيانات الحقيقية و المفبركة، و في نفس الوقت تتحسن قدرة الشبكة التوليدية على إنتاج بيانات مشابهة للبيانات الحقيقية تستطيع خداع الشبكة التمييزية.

Image: 500 pixels

يتم برمجة عدد كبير من الأحقاب التدريبية إلى أن يصبح من الصعب على أي مراقب بشري التفريق بين البيانات الحقيقية و البيانات المفبركة من طرف الشبكة

التطبيقات

ازداد عدد تطبيقات GAN بصورة كبيرة في الآونة الأخيرة.[5]

الموضة والفنون والإعلان

يمكن استخدام GANs لإنشاء صور لنماذج الأزياء الخيالية ، دون الحاجة إلى استئجار عارض أزياء أو مصور فوتوغرافي أو فنان ماكياج أو الدفع مقابل الاستوديو والنقل.[6] يمكن استخدام GANs لإنشاء حملات إعلانية للأزياء بما في ذلك مجموعات متنوعة من النماذج ، مما قد يزيد من الرغبة في الشراء بين الأشخاص الذين يشبهون النماذج.[7] يمكن أيضًا استخدام GANs لإنشاء صور شخصية ومناظر طبيعية وأغلفة ألبوم .

علوم

يمكن لـ GANs تحسين الصور الفلكية [8] ومحاكاة عدسة الجاذبية لأبحاث المادة المظلمة.[9][10][11] تم استخدامها في عام 2019 لنمذجة توزيع المادة المظلمة بنجاح في اتجاه معين في الفضاء والتنبؤ بالعدسة الجاذبية التي ستحدث.[12][13]

تم اقتراح GANs كطريقة سريعة ودقيقة لنمذجة تشكيل نفاثات عالية الطاقة [14] ونمذجة صبيب الجسيمات الدقيقة من خلال أجهزة قياس السعرات الحرارية للتجارب الفيزيائية عالية الطاقة .[15][16][17][18] وقد تم تدريب GANs أيضًا على إصدار تقريبات دقيقة لتجارب فيزياء الجسيمات. أظهرت التطبيقات في سياق تجارب CERN الحالية والمقترحة إمكانات هذه الأساليب لتسريع المحاكاة و / أو تحسين دقة المحاكاة.[19][20]

ألعاب إلكترونية

في عام 2018 ، وصلت GANs إلى مجتمع تعديل ألعاب الفيديو ، كطريقة لرفع مستوى القوام ثنائي الأبعاد منخفض الدقة في ألعاب الفيديو القديمة عن طريق إعادة إنشائها بدقة 4K أو أعلى [21] و القيام بعد ذلك بعملية اختزال لاحترام القوام الأصلي للعبة.

من خلال التدريب المناسب ، توفر شبكات GAN مقاييس صورة أكثر وضوحًا و مادة ثنائية الأبعاد أعلى جودة من الصورة الأصلية ، مع الاحتفاظ تمامًا بمستوى التفاصيل والألوان وما إلى ذلك . تتضمن الأمثلة المعروفة لاستخدام GAN المكثف في الألعاب: Final Fantasy VIII وFinal Fantasy IX وResident Evil REmake HD Remaster و Max Payne .  

مخاوف بشأن التطبيقات الضارة

هذا الشخص غير موجود في الحقيقة. هذه الصورة لشخص وهمي أنشأتها شبكة خصومة توليدية من نوع StyleGAN2

وقد أثيرت مخاوف بشأن الاستخدام المحتمل لتجميع الصور البشرية القائمة على GAN لأغراض شريرة ، على سبيل المثال ، لإنتاج صور ومقاطع فيديو مزيفة ، وربما لأهداف إجرامية.[22] يمكن استخدام GANs لإنشاء صور ملف تعريف فريدة وواقعية للأشخاص غير الموجودين ، من أجل إنشاء ملفات تعريف وهمية لوسائل التواصل الاجتماعي بطريقة آلية.[23]

في عام 2019 ، نظرت ولاية كاليفورنيا [24] وأقرت في 3 أكتوبر 2019 مشروع القانون AB-602 ، الذي يحظر استخدام تقنيات تركيب الصور البشرية لإنتاج مواد إباحية مزيفة دون موافقة الأشخاص الذين تم تصويرهم ، مرسوم AB-730 ، والذي يحظر توزيع مقاطع الفيديو التي يتم التلاعب بها لمرشح سياسي في غضون 60 يومًا من الانتخابات. وقد قام بتأليف كلا المشروعين عضو الجمعية مارك برمان ووقعه الحاكم جافين نيوسوم . ستدخل القوانين حيز التنفيذ في عام 2020.[25]

يدرس برنامج التحليل الجنائي للوسائط DARPA طرق مواجهة الوسائط المزيفة ، بما في ذلك الوسائط المزيفة التي يتم إنتاجها باستخدام GANs.[26]

تطبيقات متنوعة

يمكن استخدام GAN للكشف عن صور مرض الزرق العيني التي تساعد على التشخيص المبكر وهو أمر ضروري لتجنب فقدان الرؤية الجزئي أو الكلي.[27]

يمكن استخدام GANs التي تنتج الصور الواقعية لتصور التصميم الداخلي ، والتصميم الصناعي ، والأحذية ، [28] الحقائب ، وعناصر الملابس أو عناصر لمشاهد ألعاب الكمبيوتر .   يتم استخدام هذا النوع من الشبكات من طرف Facebook .[29]

يمكن لـ GANs إعادة بناء نماذج ثلاثية الأبعاد للكائنات من الصور ، [30] وأنماط نماذج الحركة في الفيديو.[31]

يمكن استخدام GANs لتشييخ صور الوجه لإظهار كيف يمكن أن يتغير مظهر الفرد مع تقدم العمر.[32]

يمكن أيضًا استخدام GANs لنقل أنماط الخريطة في رسم الخرائط [33] أو زيادة صور التجوّل الافتراضي.[34]

يتم استخدام مجموعة متنوعة من GANs في تدريب شبكة لتوليد مدخلات التحكم المثلى للأنظمة الديناميكية غير الخطية. حيث تُعرف الشبكة التمييزية بالناقد الذي يتحقق من أمثلية الحل وتعرف الشبكة التوليدية بالشبكة التكيفية التي تولد التحكم الأمثل. يتدرب كل من الشبكة النقدية والشبكة التكيفية على بعضهما لتقريب التحكم الأمثل غير الخطي.[35]

تم استخدام GANs لتصور تأثير تغير المناخ.[36]

يمكن لنموذج GAN المسمى Speech2Face إعادة بناء صورة لوجه الشخص بعد الاستماع إلى صوته.[37]

في عام 2016 ، تم استخدام GANs لتوليد جزيئات جديدة لمجموعة متنوعة من أهداف البروتين المتورطة في السرطان والالتهاب والتليف. في عام 2019 ، تم التحقق من صحة الجزيئات المولدة من GAN تجريبًا على الفئران.[38][39]

مراجع

  1. Isola, Phillip; Zhu, Jun-Yan; Zhou, Tinghui; Efros, Alexei (2017). "Image-to-Image Translation with Conditional Adversarial Nets". Computer Vision and Pattern Recognition. مؤرشف من الأصل في 14 أبريل 2020. الوسيط |CitationClass= تم تجاهله (مساعدة)
  2. Ho, Jonathon; Ermon, Stefano (2016). "Generative Adversarial Imitation Learning". Advances in Neural Information Processing Systems: 4565–4573. arXiv:1606.03476. Bibcode:2016arXiv160603476H. مؤرشف من الأصل في 19 أكتوبر 2019. الوسيط |CitationClass= تم تجاهله (مساعدة)
  3. LeCun, Yann. "RL Seminar: The Next Frontier in AI: Unsupervised Learning". مؤرشف من الأصل في 30 أبريل 2020. الوسيط |CitationClass= تم تجاهله (مساعدة)
  4. Sebastian Theiler. "Implementing a GAN in Keras", 21 October 2019 نسخة محفوظة 8 يناير 2020 على موقع واي باك مشين.
  5. Caesar, Holger (2019-03-01), A list of papers on Generative Adversarial (Neural) Networks: nightrome/really-awesome-gan, مؤرشف من الأصل في 30 أبريل 2020, اطلع عليه بتاريخ 02 مارس 2019 الوسيط |CitationClass= تم تجاهله (مساعدة); الوسيط |separator= تم تجاهله (مساعدة)CS1 maint: ref=harv (link)
  6. Wong, Ceecee. "The Rise of AI Supermodels". CDO Trends. مؤرشف من الأصل في 16 أبريل 2020. الوسيط |CitationClass= تم تجاهله (مساعدة)
  7. Dietmar, Julia. "GANs and Deepfakes Could Revolutionize The Fashion Industry". Forbes. مؤرشف من الأصل في 4 سبتمبر 2019. الوسيط |CitationClass= تم تجاهله (مساعدة)
  8. Schawinski, Kevin; Zhang, Ce; Zhang, Hantian; Fowler, Lucas; Santhanam, Gokula Krishnan (2017-02-01). "Generative Adversarial Networks recover features in astrophysical images of galaxies beyond the deconvolution limit". Monthly Notices of the Royal Astronomical Society: Letters. 467 (1): L110–L114. arXiv:1702.00403. Bibcode:2017MNRAS.467L.110S. doi:10.1093/mnrasl/slx008. الوسيط |CitationClass= تم تجاهله (مساعدة)
  9. Kincade, Kathy. "Researchers Train a Neural Network to Study Dark Matter". R&D Magazine. مؤرشف من الأصل في 15 مايو 2019. الوسيط |CitationClass= تم تجاهله (مساعدة)
  10. Kincade, Kathy (May 16, 2019). "CosmoGAN: Training a neural network to study dark matter". Phys.org. مؤرشف من الأصل في 14 أبريل 2020. الوسيط |CitationClass= تم تجاهله (مساعدة)
  11. "Training a neural network to study dark matter". Science Daily. May 16, 2019. مؤرشف من الأصل في 30 أبريل 2020. الوسيط |CitationClass= تم تجاهله (مساعدة)
  12. at 06:13, Katyanna Quach 20 May 2019. "Cosmoboffins use neural networks to build dark matter maps the easy way". www.theregister.co.uk (باللغة الإنجليزية). مؤرشف من الأصل في 23 أبريل 2020. اطلع عليه بتاريخ 20 مايو 2019. الوسيط |CitationClass= تم تجاهله (مساعدة)
  13. Mustafa, Mustafa; Bard, Deborah; Bhimji, Wahid; Lukić, Zarija; Al-Rfou, Rami; Kratochvil, Jan M. (2019-05-06). "CosmoGAN: creating high-fidelity weak lensing convergence maps using Generative Adversarial Networks". Computational Astrophysics and Cosmology. 6 (1): 1. arXiv:1706.02390. Bibcode:2019ComAC...6....1M. doi:10.1186/s40668-019-0029-9. ISSN 2197-7909. الوسيط |CitationClass= تم تجاهله (مساعدة)
  14. Paganini, Michela; de Oliveira, Luke; Nachman, Benjamin (2017). "Learning Particle Physics by Example: Location-Aware Generative Adversarial Networks for Physics Synthesis". Computing and Software for Big Science. 1: 4. arXiv:1701.05927. Bibcode:2017arXiv170105927D. doi:10.1007/s41781-017-0004-6. الوسيط |CitationClass= تم تجاهله (مساعدة)
  15. Paganini, Michela; de Oliveira, Luke; Nachman, Benjamin (2018). "Accelerating Science with Generative Adversarial Networks: An Application to 3D Particle Showers in Multi-Layer Calorimeters". Physical Review Letters. 120 (4): 042003. arXiv:1705.02355. Bibcode:2018PhRvL.120d2003P. doi:10.1103/PhysRevLett.120.042003. PMID 29437460. الوسيط |CitationClass= تم تجاهله (مساعدة)
  16. Paganini, Michela; de Oliveira, Luke; Nachman, Benjamin (2018). "CaloGAN: Simulating 3D High Energy Particle Showers in Multi-Layer Electromagnetic Calorimeters with Generative Adversarial Networks". Phys. Rev. D. 97 (1): 014021. arXiv:1712.10321. Bibcode:2018PhRvD..97a4021P. doi:10.1103/PhysRevD.97.014021. الوسيط |CitationClass= تم تجاهله (مساعدة)
  17. Erdmann, Martin; Glombitza, Jonas; Quast, Thorben (2019). "Precise Simulation of Electromagnetic Calorimeter Showers Using a Wasserstein Generative Adversarial Network". Computing and Software for Big Science. 3: 4. arXiv:1807.01954. doi:10.1007/s41781-018-0019-7. الوسيط |CitationClass= تم تجاهله (مساعدة)
  18. Musella, Pasquale; Pandolfi, Francesco (2018). "Fast and Accurate Simulation of Particle Detectors Using Generative Adversarial Networks". Computing and Software for Big Science. 2: 8. arXiv:1805.00850. Bibcode:2018arXiv180500850M. doi:10.1007/s41781-018-0015-y. الوسيط |CitationClass= تم تجاهله (مساعدة)
  19. ATLAS, Collaboration (2018). "Deep generative models for fast shower simulation in ATLAS". مؤرشف من الأصل في 17 فبراير 2020. الوسيط |CitationClass= تم تجاهله (مساعدة)
  20. SHiP, Collaboration (2019). "Fast simulation of muons produced at the SHiP experiment using Generative Adversarial Networks". Journal of Instrumentation. 14 (11): P11028. arXiv:1909.04451. Bibcode:2019JInst..14P1028A. doi:10.1088/1748-0221/14/11/P11028. الوسيط |CitationClass= تم تجاهله (مساعدة)
  21. Tang, Xiaoou; Qiao, Yu; Loy, Chen Change; Dong, Chao; Liu, Yihao; Gu, Jinjin; Wu, Shixiang; Yu, Ke; Wang, Xintao (2018-09-01). "ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks" (باللغة الإنجليزية). arXiv:1809.00219. Bibcode:2018arXiv180900219W. الوسيط |CitationClass= تم تجاهله (مساعدة)
  22. msmash (2019-02-14). "'This Person Does Not Exist' Website Uses AI To Create Realistic Yet Horrifying Faces". Slashdot. مؤرشف من الأصل في 15 أبريل 2020. اطلع عليه بتاريخ 16 فبراير 2019. الوسيط |CitationClass= تم تجاهله (مساعدة)
  23. Doyle, Michael (May 16, 2019). "John Beasley lives on Saddlehorse Drive in Evansville. Or does he?". Courier and Press. مؤرشف من الأصل في 30 أبريل 2020. الوسيط |CitationClass= تم تجاهله (مساعدة)
  24. Targett, Ed (May 16, 2019). "California moves closer to making deepfake pornography illegal". Computer Business Review. الوسيط |CitationClass= تم تجاهله (مساعدة)
  25. Mihalcik, Carrie (2019-10-04). "California laws seek to crack down on deepfakes in politics and porn". سي نت. سي نت. مؤرشف من الأصل في 30 أبريل 2020. اطلع عليه بتاريخ 13 أكتوبر 2019. الوسيط |CitationClass= تم تجاهله (مساعدة)
  26. Knight, Will (Aug 7, 2018). "The Defense Department has produced the first tools for catching deepfakes". MIT Technology Review. الوسيط |CitationClass= تم تجاهله (مساعدة)
  27. Bisneto, Tomaz Ribeiro Viana; de Carvalho Filho, Antonio Oseas; Magalhães, Deborah Maria Vieira (February 2020). "Generative adversarial network and texture features applied to automatic glaucoma detection". Applied Soft Computing. 90: 106165. doi:10.1016/j.asoc.2020.106165. الوسيط |CitationClass= تم تجاهله (مساعدة)
  28. Wei, Jerry (2019-07-03). "Generating Shoe Designs with Machine Learning". Medium (باللغة الإنجليزية). مؤرشف من الأصل في 30 أبريل 2020. اطلع عليه بتاريخ 06 نوفمبر 2019. الوسيط |CitationClass= تم تجاهله (مساعدة)
  29. Greenemeier, Larry (June 20, 2016). "When Will Computers Have Common Sense? Ask Facebook". Scientific American. مؤرشف من الأصل في 30 أبريل 2020. اطلع عليه بتاريخ 31 يوليو 2016. الوسيط |CitationClass= تم تجاهله (مساعدة)
  30. "3D Generative Adversarial Network". 3dgan.csail.mit.edu. مؤرشف من الأصل في 27 أكتوبر 2019. الوسيط |CitationClass= تم تجاهله (مساعدة)
  31. Vondrick, Carl; Pirsiavash, Hamed; Torralba, Antonio (2016). "Generating Videos with Scene Dynamics". carlvondrick.com. arXiv:1609.02612. Bibcode:2016arXiv160902612V. مؤرشف من الأصل في 16 أبريل 2020. الوسيط |CitationClass= تم تجاهله (مساعدة)
  32. Antipov. "Face Aging With Conditional Generative Adversarial Networks". arXiv:1702.01983. الوسيط |CitationClass= تم تجاهله (مساعدة)
  33. Kang, Yuhao; Gao, Song; Roth, Rob (2019). "Transferring Multiscale Map Styles Using Generative Adversarial Networks". International Journal of Cartography. 5 (2–3): 115–141. arXiv:1905.02200. Bibcode:2019arXiv190502200K. doi:10.1080/23729333.2019.1615729. مؤرشف من الأصل في 30 أبريل 2020. الوسيط |CitationClass= تم تجاهله (مساعدة)
  34. Wijnands, Jasper; Nice, Kerry; Thompson, Jason; Zhao, Haifeng; Stevenson, Mark (2019). "Streetscape augmentation using generative adversarial networks: Insights related to health and wellbeing". Sustainable Cities and Society. 49: 101602. arXiv:1905.06464. Bibcode:2019arXiv190506464W. doi:10.1016/j.scs.2019.101602. الوسيط |CitationClass= تم تجاهله (مساعدة)
  35. Padhi, Radhakant; Unnikrishnan, Nishant (2006). "A single network adaptive critic (SNAC) architecture for optimal control synthesis for a class of nonlinear systems". Neural Networks. 19 (10): 1648–1660. doi:10.1016/j.neunet.2006.08.010. PMID 17045458. الوسيط |CitationClass= تم تجاهله (مساعدة)
  36. "AI can show us the ravages of climate change". MIT Technology Review. May 16, 2019. الوسيط |CitationClass= تم تجاهله (مساعدة)
  37. Christian, Jon (May 28, 2019). "ASTOUNDING AI GUESSES WHAT YOU LOOK LIKE BASED ON YOUR VOICE". Futurism. مؤرشف من الأصل في 4 أبريل 2020. الوسيط |CitationClass= تم تجاهله (مساعدة)
  38. Zhavoronkov, Alex (2019). "Deep learning enables rapid identification of potent DDR1 kinase inhibitors". Nature Biotechnology. 37 (9): 1038–1040. doi:10.1038/s41587-019-0224-x. PMID 31477924. مؤرشف من الأصل في 14 مايو 2020. الوسيط |CitationClass= تم تجاهله (مساعدة)
  39. Gregory, Barber. "A Molecule Designed By AI Exhibits 'Druglike' Qualities". Wired. مؤرشف من الأصل في 30 أبريل 2020. الوسيط |CitationClass= تم تجاهله (مساعدة)
    • بوابة إحصاء
    This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.