Публикация научных статей.
Вход на сайт
E-mail:
Пароль:
Запомнить
Регистрация/
Забыли пароль?
Научные направления
Поделиться:
Разделы: Информационные технологии
Размещена 06.01.2021. Последняя правка: 14.01.2021.
Просмотров - 363

Метод генеративно-состязательной сети

Альхамов Роман Ильдарович

Без степени, без звания

Уфимский Государственный Авиационный Технический Университет

Студент

Богданов Марат Робертович, доцент кафедры вычислительной математики и кибернетики, Уфимский Государственный Авиационный Технический Университет


Аннотация:
В статье рассматривается методика машинного обучения машинной модели без учителя с использованием генеративно-состязательной сети. Проводится оценка актуальности данного направления, рассматриваются его задачи и методы. Тема генеративно-состязательных сетей является перспективным направлением, достаточно сложным и имеет большой потенциал в развитии. Правильный подход к использованию генеративно-состязательных систем позволит успешно применить их в дизайне, кинематографе, медицине, области изучения космоса и многих других сферах.


Abstract:
The article discusses the unsupervised machine learning technique for a machine model using a generative adversarial network. The relevance of this direction is assessed, its tasks and methods are considered. The topic of generative adversarial networks is a promising area, quite complex and has great potential for development. The correct approach to the use of generative adversarial systems will make it possible to successfully apply them in design, cinematography, medicine, space exploration and many other areas.


Ключевые слова:
нейронная сеть; дискриминатор; антагонистическая игра; переменные латентного пространства; генератор

Keywords:
neural network; discriminator; antagonistic game; latent space variables; the generator


УДК 004

Введение. Все чаще человеку приходится сталкиваться с огромным количеством информации, правильная обработка которых может позволить решить многие практические проблемы. Умение распознавать изображения многократно увеличивает скорость обработки данных,  быстро находя и структурируя их для выполнения различных задач, таких как бытовые, социальные и даже обеспечение государственной безопасности.  Применение нейросетей может заметно облегчить жизнь человека, убрав необходимость ручной проверки огромного количества труднодоступной информации, а также сделать результаты проверки более надежными. 

Актуальность. С каждым годом объем информации, с которым человеку приходится иметь дело, постоянно увеличивается. Поэтому все большее внимание уделяется скорость и надежности обработки больших объемов данных. Как следствие, метод генеративно-состязательной сети, позволяющий быстро обрабатывать большой объем данных, становиться все более актуальным. Он заключается в одновременном обучении сразу двух нейросетей, каждая из которых стремится стать лучше другой для обеспечения наилучшей генерации и распознавания информации. 

Также генеративно-состязательная сеть дает возможность автоматически создавть и редактировать изображения. Данный подход используется для генерации реалистичной окружающей среды в видеоклипах и фильмах, что позволяет сэкономить время дизайнерам. Также подобный подход можно использовать для колоризации черно-белых фотографий, воссоздание трехмерных моделей объекта по его неполным фрагментам и увеличения качества изображений, полученных со спутников в космосе. Применение данного подхода дает большие возможности и может продвинуть науку вперед.

С точки зрения IT-сферы нейросети все глубже проникают в жизнь человека. Дальнейшее развитие информационных технологий в области искусственного интеллекта может помочь с обработкой огромных массивов данных, чем сильно улучшит качество жизни и труда человека.

Целью данной статьи является изучение самого метода генеративно-состязательной сети и его актуальности на данный момент.

Задача генеративно-состязательной сети включает в себя работу с входными данными и создания на их основе новых. Под работой подразумевается генерация изображения, на основе полученного набора данных, и передача этого изображения на проверку подлинности.

 

В области искусственного интеллекта существует много методов обучения нейронной сети. Одним из таких является генеративно-состязательная сеть (сокращенно GAN). В основе данной сети лежит принцип состязательности,возникающий в результате антагонистической игры, где результаты участников противоположны.  Данный тип обучения подразумевает комбинацию из двух нейросетей, где одна из них генерирует образцы, а другая их отбраковывает.

 

 

В качестве материалов при реализации данного метода выступают изображения. Их загружают со специалым набором данных, на основе которых потом нейросеть сама генерирует произвольные изображения.

Дискриминационные алгоритмы классифицируют входные данные и определяют категорию, к которым они относятся. В основе их работы лежат сверточные нейронные сети, способные распознавать образы на изображениях, такие как цифры. Таким образом, алгоритм способен определить, является  письмо рекламным или нет, а также найти все изображения с собакой. 

Алгоритм генерации, в отличии от дискриминатора, предназначен для подбора изображений под данную категорию. Цель генератора – создать изображения, которые дискриминатор посчитает подлинными. Сначала нейросети генерирует произвольный шум, из которого в последствии проявляются изображения. В основе генератора лежат нейронные сети прямого распространения (Feedforward neural network, сокращенно FFNN).

Принцип работы данной нейросети заключается таков: генератор создает новые изображения и передает их на оценку дискриминатору, который, в свою очередь, определяет, является ли изображение подлинным.

 

 

Сначала генератор получает случайное число и возвращает изображение, потом он добавляет это изображение вместе с другими, взятыми из набора данных, в дискриминатор. Дискриминатор принимает набор изображений и возвращает вероятность в виде чисел в диапазоне от 0 до 1, где 0 – фальшивое изображение, а 1 – подлинное.                                                                                

Отличительной чертой данного метода является также тот факт, что каждая ее частей может быть лучше другой, что может привести к проблемам с эффективностью. Например, если генератор хорошо обучен, а дискриминатор нет, то ложные изображение могут быть приняты за истинные. Если же слишком хорош дискриминатор, у генератора могут возникнуть проблемы с градиентом.

Научная новизна. В настоящее время в свободном доступе отсутствуют работы, которые рассматривали бы актуальность генеративно-состязательной системы. В отдельных научных работах может быть найдена часть интересующей информации, однако отсутствует целостная картина. Эта статья ставит целью ознакомление с методом генеративно-состязательных сетей и может послужить отправной точкой для дальнейших исследований. 

Заключение. Ввиду всего вышесказанного можно сделать вывод, что человеку нередко приходится иметь дело с большим объемом данных. Нередко эти данные плохо структурируются, что делает работы с ними еще сложнее. Решением этой проблемы может стать метод генеративно-состязательных сетей, позволяющий не только обробатывать большое количество информации, но и на её основе создавать новые данные, не отличимые от подлинных.

Библиографический список:

1. Что такое GAN – генеративно-состязательные нейронные сети и как их применять для генерации изображений [Электронный ресурс]. – Режим доступа URL: https://evergreens.com.ua/ru/articles/gan.htm (Дата обращения 02.12.2020)
2. Генеративно-состязательная нейросеть (GAN). Руководство для новичков [Электронный ресурс]. – Режим доступа URL https://neurohive.io/ru/osnovy-data-science/gan-rukovodstvo-dlja-novichkov/ (Дата обращения 02.12.2020)
3. Как работает нейронная сеть: алгоритмы, обучение, функции активации и потери [Электронный ресурс]. – Режим доступа URL https://neurohive.io/ru/osnovy-data-science/osnovy-nejronnyh-setej-algoritmy-obuchenie-funkcii-aktivacii-i-poteri/ (Дата обращения 02.12.2020)
4. Синтетическая компьютерная томография грудной клетки на основе Диксона с использованием генеративно-состязательных сетей [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/pii/S2666521220300107 (Дата обращения 03.12.2020)
5. Нейронные сети: распознавание образов и изображений c помощью ИИ [Электронный ресурс]. – Режим доступа URL https://center2m.ru/ai-recognition (Дата обращения 03.12.2020)
6. Генеративно-состязательная сеть [Электронный ресурс]. – Режим доступа URL https://vbystricky.github.io/2017/09/gan.html (Дата обращения 03.12.2020)
7. GANCCRobot: Робот для китайской каллиграфии на основе генеративных состязательных сетей [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/abs/pii/S0020025519312071 (Дата обращения 03.12.2020)
8. Синтез изображений сетчатки и нейронов с помощью генеративных состязательных сетей [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/pii/S1361841518304596 (Дата обращения 03.12.2020)
9. Генеративное состязательное обучение для нейронного машинного перевода [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/abs/pii/S0925231218310671 (Дата обращения 03.12.2020)
10 Улучшение речи с помощью импровизированных условных генеративных состязательных сетей [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/abs/pii/S0141933120304403 (Дата обращения 03.12.2020)
11 Синтетическая компьютерная томография грудной клетки на основе Диксона с использованием генеративно-состязательных сетей [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/pii/S2666521220300107 (Дата обращения 03.12.2020)
12 Состязательная сеть с множественным вниманием для создания подписей к изображениям [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/abs/pii/S0925231219317825 (Дата обращения 02.12.2020)




Рецензии:

6.01.2021, 10:57 Кожанова Евгения Романовна
Рецензия: Доброе время суток. Статью необходимо переработать. Нет упоминаниях о принципе состязательности, характеризующим данную сеть. Замечания: 1) название статьи (Обзор подразумевает рассмотрение, сравнение нескольких объектов или мнений); 2) аннотация статьи - первые два предложения относятся, а остальное - заключение или их надо переформулировать. 3) Ваш текст "Проводится оценка актуальности данного направления, рассматриваются задачи и методы машинного обучения". Как Вы провели оценку актуальности, если в Вашем списке литературы нет ни одного иностранного источника (даже переводного). Чтобы провести оценку у Вас должен быть хороший литературынй обзор отечественных и иностранных УЧЕНЫХ в этой области или результаты каких-то опросов??? Вторая часть этого предложения - "рассматриваются задачи и методы машинного обучения". Сами задачи и методы машинного обучения Вы в статье не рассматриваете, Вы рассматриваете только "Задача генеративно-состязательной сети.." (это Ваш текст) и так далее. Автору порекомендовала бы написать статью с описанием примера работы данной сети, объясняющего ее метод и особенности, а также возможности применения.

14.01.2021 21:21 Ответ на рецензию автора Альхамов Роман Ильдарович:
Большое спасибо за рецензию. Были учтены Ваши пожелания и внесены поправки в статью; было добавлено объяснение работы принципа состязательности, изменено название статьи, исправлено заключение и все что касается машинного обучения. Также был расширен список литературы, использовавшийся при написании статьи,но по каким-то причинам не попавшим в список ранее

1.03.2021, 0:22 Поплавская Лидия Андреевна
Рецензия: Содержимое заявленной автором безграмотной статьи не соответствует ни сформулированной в ней цели, ни поставленной задаче. GAN – довольно молодой метод, появился только в 2014 году, а первые “приличные” результаты появились в 2016-2017 годах), но, тем не менее, обзорам новых вариаций GAN и способам их применения в настоящее время посвящено достаточно много статей, причем, в свободном доступе, что противоречит заявленному автором (в научной новизне) их отсутствию. В настоящее время GAN является очень активной темой исследований, и существует множество различных типов реализации GAN, с которыми автору следовало бы познакомиться. Никаких аспектах научности, фундаментальности, новых взглядов на применимость метода в статье не присутствует. Научному руководителю автора статьи следовало бы более серьезнее относиться к своему научному руководству. Изложенный автором материал статьи – полнейшая халявщина. Автору для начала следовало бы прочитать первоначальную статью «Состязательные нейронные сети», являющуюся образцом ясности для научной статьи и посмотреть видео-лекции о GAN Али Али Годси С уважением, Лидия Андреевна Поплавская

11.03.2021, 17:51 Нурмухамедов Толаниддин Рамзиддинович
Рецензия: 11.03.2021 Нурмухамедов Толаниддин Рамзиддинович Работа требует доработки: введение и актуальность работы повторяются; цель работы не отражает выполненную НИР; научная новизна должна отражать предлагаемую автором эффективную методику изучения генеративно-состязательной системы



Комментарии пользователей:

Оставить комментарий


 
 

Вверх