Rete Generativa Avversaria: differenze tra le versioni

Versione attuale delle 13:34, 17 ago 2024

Rete Generativa Avversaria
Nome Inglese	Generative Adversarial Network
Sigla	GAN
Anno Di Creazione	2014
Pubblicazione	Generative Adversarial Nets
URL	https://arxiv.org/pdf/1406.2661.pdf
Topic	immagini, generazione

Un'architettura di rete neurale generativa in cui si utilizza un processo di tipo "adversarial", in cui vengono contemporaneamente allenati due modelli:

un modello generativo G che cattura la distribuzione dei dati di training
un modello discriminativo D che stima la probabilità che un campione provenga dal dataset di training piuttosto che da G

L'addestramento massimizza la probabilità che D faccia un'errore di discriminazione, quindi massimizzando la "bravura" di G nel creare dei falsi realistici.

Funzionamento

L'addestramento del modello cerca di insegnare al Generatore a scalare e traslare i dati contenuti nel vettore di rumore dato in input, la cui lunghezza (spesso da 100 a 512 punti) rappresenta la dimensione dello spazio latente e quindi la capacità della rete di imparare i dettaglio più fini del dataset di training (normalmente rappresentante una classe di immagini omogenea), verso il "manifold" che rappresenta la distribuzione di probabilità dei campioni veri.

Partendo dal vettore di input, il generatore applica delle funzionin non lineari di up-scaling per aumentare il numero di dimensioni.

Il Discriminatore, invece, impara in modo supervisionato a riconoscere i campioni veri da quelli finti, e ha come output una sola classe, la probabilità che essi siano veri: per questo è normalmente implementato come una delle classiche CNN che sono in letteratura.

La loss del generatore è l' entropia incrociata fra il risultato del Discriminatore e un vettore di uno.

Links

Generative Adversarial Nets, Goodfellow et al, 2014

"A Style-Based Generator Architecture for Generative Adversarial Networks"

"Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks"

GAN Lab - Play with Generative Adversarial Networks (GANs) in your browser

@@ Riga 1: / Riga 1: @@
-Nome: [[Nome::Rete Generativa Avversaria]]
+{{template architettura
+|NomeInglese=Generative Adversarial Network
+|Sigla=GAN
+|AnnoDiCreazione=2014
+|Pubblicazione=Generative Adversarial Nets
+|URLHomePage=https://arxiv.org/pdf/1406.2661.pdf
+|Topic=immagini, generazione
+}}
+Un'architettura di rete neurale generativa in cui si utilizza un processo di tipo "adversarial", in cui vengono contemporaneamente allenati due modelli:
+* un modello generativo G che cattura la distribuzione dei dati di training
+* un modello discriminativo D che stima la probabilità che un campione provenga dal dataset di training piuttosto che da G
-Nome Inglese: [[NomeInglese::Generative Adversarial Network]]
+L'addestramento massimizza la probabilità che D faccia un'errore di discriminazione, quindi massimizzando la "bravura" di G nel creare dei falsi realistici.
-Sigla: [[Sigla::GAN]]
+=== Funzionamento ===
+L'addestramento del modello cerca di insegnare al Generatore a scalare e traslare i dati contenuti nel vettore di rumore dato in input, la cui lunghezza (spesso da 100 a 512 punti) rappresenta la dimensione dello spazio latente e quindi la capacità della rete di imparare i dettaglio più fini del dataset di training (normalmente rappresentante una classe di immagini omogenea), verso il "''manifold''" che rappresenta la distribuzione di probabilità dei campioni veri.
-Anno Di Creazione: [[AnnoDiCreazione::2014]]
+Partendo dal vettore di input, il generatore applica delle funzionin non lineari di up-scaling per aumentare il numero di dimensioni.
-Pubblicazione: [[Pubblicazione::Generative Adversarial Nets]]
+Il Discriminatore, invece, impara in modo supervisionato a riconoscere i campioni veri da quelli finti, e ha come output una sola classe, la probabilità che essi siano veri: per questo è normalmente implementato come una delle classiche [[Reti Neurali Convoluzionali (CNN)|CNN]] che sono in letteratura.
+La [[Funzione Obiettivo (loss)|loss]] del generatore è l' [[entropia incrociata]] fra il risultato del Discriminatore e un vettore di uno.
-Un'architettura di rete neurale generativa in cui si utilizza un processo di tipo "adversarial", in cui vengono contemporaneamente allenati due modelli:
-* un modello generativo G che cattura la distribuzione dei dati di training
-* un modello discriminativo D che stima la probabilità che un campione provenga dal dataset di training piuttosto che da G
-L'addestramento massimizza la probabilità che D faccia un'errore di discriminazione, quindi massimizzando la "bravura" di G nel creare dei falsi realistici.
 [[File:Generativa Adversarial Network (GAN).png|miniatura|nessuno|600x600px|Generative Adversarial Networks (GAN)]]
@@ Riga 21: / Riga 27: @@
 == Links ==
 [https://arxiv.org/pdf/1406.2661.pdf Generative Adversarial Nets, Goodfellow et al, 2014]
+"A Style-Based Generator Architecture for Generative Adversarial Networks"
+"Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks"
+[https://poloclub.github.io/ganlab/ GAN Lab - Play with Generative Adversarial Networks (GANs) in your browser]
 [[Category:architettura]]
-__SHOWFACTBOX__
+{{#seo:
+            |title=Generative Adversarial Network
+            |title_mode=append
+            |keywords=rete neurale, apprendimento automatico, intelligenza artificiale, GAN, generazione immagini, modello generativo, modello discriminativo, spazio latente, rumore, CNN, entropia incrociata
+            |description=Un'architettura di rete neurale generativa che utilizza un processo "adversarial" per allenare contemporaneamente due modelli: un modello generativo e un modello discriminativo. Scopri come funziona e le sue applicazioni.
+            |image=Generativa Adversarial Network (GAN).png
+            }}