Генеративно-состязательные сети
Generative adversarial networks
2020-10-22
SCID: 54.1/wpc8k8ja
Discuss with AI
Глубокие генеративные моделиГенеративные состязательные сетиГенеративное моделированиеГенерация изображений высокого разрешения
Figures from the paper
Abstract (AI)
Генеративно-состязательные сети представляют собой тип алгоритмов искусственного интеллекта, предназначенных для решения задачи генеративного моделирования. Цель генеративной модели — проанализировать набор обучающих примеров и восстановить вероятностное распределение, которое их породило. Генеративно-состязательные сети (GAN) затем способны генерировать дополнительные примеры из оценённого вероятностного распределения. Генеративные модели на основе глубокого обучения широко распространены, но GAN входят в число наиболее успешных генеративных моделей, в особенности по способности воспроизводить реалистичные изображения высокого разрешения. GAN успешно применялись в самом разнообразном наборе задач (преимущественно в исследовательских условиях), однако продолжают представлять собой уникальные трудности и возможности для исследований, поскольку основаны на теории игр, тогда как большинство других подходов к генеративному моделированию опираются на задачи оптимизации.
Key Findings
1
GAN способны генерировать реалистичные изображения высокого разрешения и являются одними из наиболее успешных генеративных моделей на основе глубокого обучения для синтеза изображений.
2
GAN были успешно применены к широкому спектру задач, преимущественно в исследовательских условиях.
3
GAN представляют собой уникальные проблемы и возможности для исследований, поскольку их обучение основано на теории игр, а не на стандартных методах оптимизации.
4
Генеративные состязательные сети (GAN) — это алгоритмы ИИ, которые изучают распределение, генерирующее данные, по обучающим примерам и порождают новые образцы.
Research Object
Генеративные состязательные сети (GAN)
Research Subject
Их способность как генеративных моделей изучать и аппроксимировать распределение вероятностей обучающих данных и генерировать реалистичные высокоразрешённые примеры, включая связанные сложности, вытекающие из их теоретико-игровой схемы обучения
Publication Details
Publication Date
2020-10-22
Journal
Publisher
ISSN
Cited by
18349
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai1
Работы, цитирующие эту статью20
Расцвет глубокого обучения в разработке лекарственных средств2018
Глубокое обучение в диагностике рака, прогнозировании исходов и выборе лечения2021
От ChatGPT к ThreatGPT: влияние генеративного искусственного интеллекта на кибербезопасность и конфиденциальность2023
Генерация с дополнением извлечённой информацией для контента, создаваемого искусственным интеллектом: обзор2026
Генеративный искусственный интеллект2023
Глубокое обучение для обнаружения аномалий во временных рядах данных: обзор, анализ и рекомендации2021
Обучение структур графов с помощью Transformer для обнаружения аномалий в многомерных временных рядах в Интернете вещей2021
Глубокое обучение в строительной отрасли: обзор современного состояния и будущих инноваций2020
Информированный физикой машинный интеллект: всесторонний обзор приложений в обнаружении аномалий и мониторинге состояния2024
Шесть грандиозных задач человекоцентричного искусственного интеллекта2023
Искусственный интеллект и машинное обучение для медицинской визуализации: обзор технологий2021
Генеративный искусственный интеллект в управлении инновациями: обзор перспективных направлений будущих исследований2024
Перезаряжаемые аккумуляторы будущего — современное состояние с точки зрения BATTERY 2030+2021
Всесторонний обзор литературы по применению методов искусственного интеллекта на протяжении жизненного цикла промышленного оборудования2023
Всесторонний обзор методов сжатия моделей в машинном обучении2024
Вычислительные подходы к объяснимому искусственному интеллекту: достижения в теории, приложениях и тенденциях2023
Управление генеративным искусственным интеллектом2025
Большие языковые модели: всесторонний обзор их приложений, проблем, ограничений и перспектив развития2023
Генеративный искусственный интеллект в открытии лекарств: базовая структура, последние достижения, проблемы и возможности2024
Применение машинного обучения в метаболомике: моделирование и классификация заболеваний2022