Se ha demostrado que la red de confrontación generativa (GAN) es un modelo / método muy efectivo para entrenar modelos generativos. Hay varias razones por las que los modelos generativos son importantes (de https://arxiv.org/pdf/1701.00160…):
- Representar y manipular distribuciones de probabilidad de alta dimensión: las distribuciones de probabilidad de alta dimensión son objetos importantes en una amplia variedad de dominios matemáticos y de ingeniería aplicados. La capacitación y el muestreo de modelos generativos es una prueba excelente de nuestra capacidad para representar y manipular distribuciones de probabilidad de alta dimensión.
- Aprendizaje por refuerzo: los modelos generativos se pueden incorporar al aprendizaje por refuerzo de varias maneras. Se pueden usar modelos generativos de datos de series temporales para simular futuros posibles. Dichos modelos podrían usarse para planificar el aprendizaje por refuerzo de varias maneras.
- Datos faltantes y aprendizaje semi-supervisado: los modelos generativos se pueden entrenar con datos faltantes y pueden proporcionar predicciones sobre las entradas que son datos faltantes. Un caso particularmente interesante de datos faltantes es el aprendizaje semi-supervisado, en el que faltan las etiquetas para muchos o incluso la mayoría de los ejemplos de capacitación.
- Trabajar con salidas multimodales: los modelos generativos, y las GAN en particular, permiten que el aprendizaje automático funcione con salidas multimodales. Para muchas tareas, una sola entrada puede corresponder a muchas respuestas correctas diferentes, cada una de las cuales es aceptable.
- Generación de datos: Finalmente, muchas tareas requieren intrínsecamente la generación real de muestras de alguna distribución.
Aquí hay algunas aplicaciones GAN hasta ahora:
- Superresolución de imagen: tome una imagen de baja resolución y sintetice un equivalente de alta resolución
- Cree arte: las GAN se pueden usar para crear programas interactivos que ayudan al usuario a crear imágenes realistas que corresponden a escenas difíciles en la imaginación del usuario.
- Traducción de imagen a imagen : convierta un tipo de fotos en otro tipo o convierta bocetos en imágenes.
- Traducción de texto a imagen: genera una imagen realista a partir de una descripción de texto y viceversa
- Inpaiting de imagen: completar una imagen con parches faltantes.
- ¿Cuál es el algoritmo de aprendizaje automático más rápido para implementar para la detección de fraudes?
- ¿Qué algunos documentos sobre desafíos en predicción financiera con técnicas de aprendizaje automático?
- Estoy aprendiendo aprendizaje profundo, ¿por qué es útil la matriz y qué es el cálculo?
- ¿Cuál es la teoría detrás de ingresar una imagen en una red neuronal?
- ¿Se pueden describir las redes adversas generativas como un método de entrenamiento en el que se aprende la función de pérdida en lugar de seleccionarse manualmente?
