Redes Adversarias Generativas (GAN). Todo comenzó cuando Goodfellow et al. publicó un artículo en 2014, que esencialmente entrena una red neuronal para crear imágenes compitiendo contra un adversario (una red neuronal diferente) que está entrenada para separar imágenes falsas de las reales.
La idea se extendió a otros documentos, con Denton et al. (2015) y Radford et al. (2015) mejorando los resultados y dando nuevas ideas, y luego Salimans et al. (2016) publicaron un artículo que amplía aún más el trabajo. Denton y col. logró resultados realmente buenos, con el 40% de las imágenes generadas realmente engañando incluso a humanos.
Hace unos días vi que en ICLR (todavía en revisión) que Emily Denton et al. publicó otro artículo cuando eliminan aleatoriamente parches de imágenes, y las GAN están capacitadas para llenar los parches. Los resultados parecen bastante buenos.
- ¿Cuáles son buenas maneras de encontrar el algoritmo y el cálculo necesarios? Normalmente no necesito pensarlo, pero recientemente, estoy luchando con ellos.
- ¿Puede alguien ayudarme a preparar un plan para preparar estructuras de datos y algoritmos en un mes de tiempo desde el punto de vista de las entrevistas?
- Cómo ordenar datos multivariados
- Como principiante, ¿debería leer el libro CLRS antes de comenzar con Interviewbit?
- ¿Está sesgado el algoritmo de aleatorización del Reproductor de Windows Media?
Las GAN parecen ser la gran novedad en el aprendizaje profundo, y esperan mucho trabajo allí en los próximos años.