Utente:PoliFL/Sandbox e Wikipedia:Pagine da cancellare/Conta/2019 luglio 21: differenze tra le pagine

Versione delle 15:46, 3 lug 2019

Versione delle 21:40, 21 lug 2019

Riga 1:

{{Conteggio cancellazioni}}

Nel campo dell'[[apprendimento automatico]], si definisce '''rete antagonista generativa''', o in inglese '''generative adversarial network (GAN)''', una classe di metodi, introdotta per la prima volta da [[Ian Goodfellow]]<ref>{{Cite book| publisher = Curran Associates, Inc.| pages = 2672–2680| editors = Z. Ghahramani, M. Welling, C. Cortes, N. D. Lawrence, K. Q. Weinberger (eds.)| last1 = Goodfellow| first1 = Ian| last2 = Pouget-Abadie| first2 = Jean| last3 = Mirza| first3 = Mehdi| last4 = Xu| first4 = Bing| last5 = Warde-Farley| first5 = David| last6 = Ozair| first6 = Sherjil| last7 = Courville| first7 = Aaron| last8 = Bengio| first8 = Yoshua| title = Advances in Neural Information Processing Systems 27| chapter = Generative Adversarial Nets| accessdate = 2019-07-02| date = 2014| chapterurl = http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf}}</ref>, in cui due [[rete neurale artificiale|reti neurali]] vengono addestrate in maniera competitiva all'interno di un [[framework]] di gioco [[minimax]]. Questo tipo di framework permette alla rete neurale di apprendere come generare nuovi dati aventi la stessa distribuzione dei dati usati in fase di addestramento. Ad esempio, è possibile ottenere una rete neurale in grado di generare volti umani iperrealistici<ref>{{Cite journal| last1 = Karras| first1 = Tero| last2 = Laine| first2 = Samuli| last3 = Aila| first3 = Timo| title = A Style-Based Generator Architecture for Generative Adversarial Networks| journal = arXiv:1812.04948 [cs, stat]| accessdate = 2019-07-02| date = 2018-12-12| url = http://arxiv.org/abs/1812.04948}}</ref>, come dimostrato nel 2018 da [[NVIDIA Corporation]], azienda produttrice di [[GPU]].

{{Conteggio cancellazioni/In corso/Start|21:40, 21 lug 2019 (CEST)}}

{{Conteggio cancellazioni/In corso/Voce|i = 1 |voce = Personaggi secondari di Un posto al sole |turno = |tipo = semplificata |data = 2019 luglio 21 |multipla = |argomenti = Televisione |temperatura = 16 }}

==Metodo==

{{Conteggio cancellazioni/In corso/Voce|i = 2 |voce = Boss di Mario |turno = |tipo = semplificata |data = 2019 luglio 21 |multipla = |argomenti = videogiochi |temperatura = 31 }}

Nella sua versione originale, una rete antagonista generativa è composta da due componenti: un [[:en:generative model|modello generativo]], o generatore <math>G</math>, e un [[:en:discriminative model|modello discriminativo]], o discriminatore <math>D</math>, entrambi realizzati tramite reti neurali. Lo scopo del modello generativo è quello di produrre nuovi dati, mentre il modello discriminativo apprende come distinguere i dati reali da quelli generati. In particolare, dato uno spazio latente <math>\boldsymbol{z}</math>, avente una [[distribuzione di probabilità a priori|distribuzione a priori]] <math>p_\boldsymbol{z}\left(\boldsymbol{z}\right)</math>, il generatore rappresenta una [[funzione differenziabile]] <math>G\left(\boldsymbol{z} ; \theta_{g}\right)</math> che fornisce in output i nuovi dati secondo una certa distribuzione <math>p_g</math>, dove <math>\theta_{g}</math> sono i parametri del modello generativo. Il discriminatore rappresenta una funzione differenziabile <math>D\left(\boldsymbol{x}; \theta_{d}\right)</math>, dove <math>\theta_{d}</math> sono i parametri del modello discriminativo, che produce in output la [[probabilità]] che <math>\boldsymbol{x}</math> provenga dalla distribuzione dei dati di addestramento <math>p_{data}</math>. Lo scopo è quello di ottenere un generatore che sia un buon [[stimatore]] di <math>p_{data}</math>. Quando questo avviene, il discriminatore viene "ingannato" e non riesce più a distinguere i campioni provenienti da <math>p_{data}</math> da quelli provenienti da <math>p_g</math>.

{{Conteggio cancellazioni/In corso/Voce|i = 3 |voce = Carlo Cardascio |turno = |tipo = semplificata |data = 2019 luglio 21 |multipla = |argomenti = calcio |temperatura = 0 }}

{{Conteggio cancellazioni/In corso/Voce|i = 4 |voce = Diego Gastón Herrera |turno = 3 |tipo = semplificata |data = 2019 luglio 21 |multipla = |argomenti = calcio |temperatura = 6 }}

La chiave per raggiungere questa situazione è l'addestramento competitivo. la rete discriminativa viene addestrata in modo da massimizzare la probabilità di classificare correttamente i campioni provenienti dai dati di addestramento e i campioni generati.

{{Conteggio cancellazioni/In corso/Voce|i = 5 |voce = Partito Pirata (Marocco) |turno = |tipo = semplificata |data = 2019 luglio 21 |multipla = |argomenti = politica, Africa |temperatura = 8 }}

{{Conteggio cancellazioni/In corso/Voce|i = 6 |voce = Alessandro Bacci |turno = |tipo = semplificata |data = 2019 luglio 21 |multipla = |argomenti = calcio |temperatura = 0 }}

Allo stesso tempo, la rete generativa viene addestrata minimizzando

{{Conteggio cancellazioni/In corso/Voce|i = 7 |voce = Partito Pirata (Montenegro) |turno = |tipo = semplificata |data = 2019 luglio 21 |multipla = |argomenti = politica, Europa |temperatura = 8 }}

:<math>log(1-D(G(\boldsymbol{z}))</math>,

{{Conteggio cancellazioni/In corso/Voce|i = 8 |voce = Giovanni d'Orléans (1965) |turno = |tipo = semplificata |data = 2019 luglio 21 |multipla = |argomenti = nobiltà, biografie |temperatura = 1 }}

massimizzando quindi la probabilità del discriminatore di considerare i campioni <math>\boldsymbol{x} \sim p_g</math> come provenienti da <math>p_{data}</math>.

{{Conteggio cancellazioni/In corso/Stop}}

L'ottimizzazione consiste quindi in un gioco minimax a due giocatori (D e G):

:<math>\min _{G} \max _{D} \mathbb{E}_{\boldsymbol{x} \sim p_{\text { data }}(\boldsymbol{x})}[\log D(\boldsymbol{x})]+\mathbb{E}_{\boldsymbol{z} \sim p_{\boldsymbol{z}}(\boldsymbol{z})}[\log (1-D(G(\boldsymbol{z})))]</math>.

==Varianti==

==Applicazioni==

==Note==

<references/>