Episodio
Redes generativas antagónicas
con Ian Goodfellow
Las redes adversarios generativas (GAN) son una clase recién introducida de modelos generativos, diseñadas para producir muestras realistas. Este tutorial está pensado para ser accesible para un público que no tiene experiencia con los GAN, y debe preparar al público para realizar contribuciones originales de investigación aplicando GAN o mejorando los algoritmos principales de GAN. Los GAN son aproximadores universales de distribuciones de probabilidad. Estos modelos suelen tener un degradado de probabilidad de registro intractable y requieren aproximaciones como la cadena de Markov Monte Carlo o los límites inferiores de variación para que el aprendizaje sea factible. Los GAN evitan usar cualquiera de estas clases de aproximaciones. El proceso de aprendizaje consta de un juego entre dos adversarios: una red generadora que intenta generar muestras realistas y una red discriminadora que intenta identificar si las muestras se originaron en los datos de entrenamiento o desde el modelo generativo. En el equilibrio de Nash de este juego, la red generador reproduce la distribución de datos exactamente, y la red discriminante no puede distinguir muestras del modelo de los datos de entrenamiento. Ambas redes se pueden entrenar mediante el descenso de degradado estocástico con degradados exactos calculados por la probabilidad máxima.
Los temas incluyen: : una introducción a los conceptos básicos de las GAN. - Una revisión del trabajo que aplica GAN a la generación de imágenes de gran tamaño. - Extender el marco de GAN a una probabilidad máxima aproximada, en lugar de minimizar la divergencia de Jensen-Shannon. - Arquitecturas de modelos mejoradas que producen un mejor aprendizaje en GAN. - Aprendizaje semi supervisado con GAN. - Fronteras de investigación, incluyendo la garantía de convergencia del juego gano. - Otras aplicaciones de aprendizaje adversario, como la adaptación y la privacidad del dominio.
Objetivos de aprendizaje: - Para explicar los aspectos básicos de cómo funcionan los GAN para alguien que no ha oído hablar de ellos anteriormente - Para poner al día a la audiencia las aplicaciones de generación de imágenes de GAN - Preparar al público para realizar contribuciones originales a la investigación de modelado generativo
Audiencia objetivo: el público objetivo es personas que están interesadas en el modelado generativo. Ambas personas que no tienen conocimientos previos de GAN y personas que deben encontrar algo que merece la pena, pero la primera parte del tutorial será menos interesante para las personas que tienen conocimientos previos de GAN.
Las redes adversarios generativas (GAN) son una clase recién introducida de modelos generativos, diseñadas para producir muestras realistas. Este tutorial está pensado para ser accesible para un público que no tiene experiencia con los GAN, y debe preparar al público para realizar contribuciones originales de investigación aplicando GAN o mejorando los algoritmos principales de GAN. Los GAN son aproximadores universales de distribuciones de probabilidad. Estos modelos suelen tener un degradado de probabilidad de registro intractable y requieren aproximaciones como la cadena de Markov Monte Carlo o los límites inferiores de variación para que el aprendizaje sea factible. Los GAN evitan usar cualquiera de estas clases de aproximaciones. El proceso de aprendizaje consta de un juego entre dos adversarios: una red generadora que intenta generar muestras realistas y una red discriminadora que intenta identificar si las muestras se originaron en los datos de entrenamiento o desde el modelo generativo. En el equilibrio de Nash de este juego, la red generador reproduce la distribución de datos exactamente, y la red discriminante no puede distinguir muestras del modelo de los datos de entrenamiento. Ambas redes se pueden entrenar mediante el descenso de degradado estocástico con degradados exactos calculados por la probabilidad máxima.
Los temas incluyen: : una introducción a los conceptos básicos de las GAN. - Una revisión del trabajo que aplica GAN a la generación de imágenes de gran tamaño. - Extender el marco de GAN a una probabilidad máxima aproximada, en lugar de minimizar la divergencia de Jensen-Shannon. - Arquitecturas de modelos mejoradas que producen un mejor aprendizaje en GAN. - Aprendizaje semi supervisado con GAN. - Fronteras de investigación, incluyendo la garantía de convergencia del juego gano. - Otras aplicaciones de aprendizaje adversario, como la adaptación y la privacidad del dominio.
Objetivos de aprendizaje: - Para explicar los aspectos básicos de cómo funcionan los GAN para alguien que no ha oído hablar de ellos anteriormente - Para poner al día a la audiencia las aplicaciones de generación de imágenes de GAN - Preparar al público para realizar contribuciones originales a la investigación de modelado generativo
Audiencia objetivo: el público objetivo es personas que están interesadas en el modelado generativo. Ambas personas que no tienen conocimientos previos de GAN y personas que deben encontrar algo que merece la pena, pero la primera parte del tutorial será menos interesante para las personas que tienen conocimientos previos de GAN.
¿Quiere hacer algún comentario? Comunique un problema aquí.