Tôi đang đọc về các mạng đối nghịch chung (GAN) và tôi có một số nghi ngờ về nó. Cho đến nay, tôi hiểu rằng trong một GAN có hai loại mạng thần kinh khác nhau: một loại là thế hệ ( ) và loại khác là phân biệt đối xử ( ). Mạng lưới thần kinh tổng quát tạo ra một số dữ liệu mà mạng lưới thần kinh phân biệt đối xử đánh giá là chính xác. GAN học bằng cách chuyển chức năng mất cho cả hai mạng.
Câu trả lời:
Tất cả các kết quả do G tạo ra luôn bị coi là "sai" theo định nghĩa, ngay cả đối với một trình tạo rất tốt.
Bạn cung cấp mạng lưới thần kinh phân biệt đối xử với kết hợp các kết quả được tạo bởi mạng máy phát và kết quả thực từ nguồn bên ngoài, sau đó bạn huấn luyện nó để phân biệt xem kết quả có được tạo bởi trình tạo hay không - bạn không so sánh kết quả "tốt" và "xấu", bạn đang so sánh kết quả thực với kết quả được tạo.
Điều này sẽ dẫn đến một "sự tiến hóa lẫn nhau" như sẽ học cách tìm các tính năng tách biệt kết quả thực với các tính năng được tạo và sẽ học cách tạo ra kết quả khó phân biệt với dữ liệu thực.
Một mạng lưới phân biệt đối xử () Học để phân biệt đối xử theo định nghĩa - chúng tôi cung cấp nó với sự thật và các dữ liệu được tạo ra, và để cho nó học tự làm thế nào để phân biệt giữa hai người.
Vì vậy, chúng tôi mong đợi mạng để cải thiện khả năng của mạng để tạo ra hình ảnh tốt hơn và tốt hơn (hoặc loại dữ liệu khác), vì nó cố gắng "lừa" mạng bằng cách tạo ra dữ liệu mới tương tự như "dữ liệu thực". Nó không phải là về độ chính xác của mạngở tất cả. Đây không phải là cải thiện độ chính xác , mà là cải thiện khả năng của máy tính để tạo ra nhiều dữ liệu "đáng tin cậy" hơn.
Điều đó nói rằng, sử dụng kịch bản này có thể là một cách "không giám sát" tốt để cải thiện sức mạnh phân loại của mạng thần kinh, vì nó buộc mô hình máy phát phải tìm hiểu các tính năng tốt hơn của dữ liệu thực và tìm hiểu cách phân biệt giữa các tính năng thực tế và tiếng ồn, sử dụng ít dữ liệu cần thiết hơn cho chương trình học có giám sát truyền thống.