Utente:PoliFL/Sandbox: differenze tra le versioni

Versione delle 15:46, 3 lug 2019

Versione delle 16:14, 3 lug 2019

Riga 1:

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 name='GAN'>{{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]].

==Metodo==

Riga 10:

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

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>.,

che ha un ottimo globale per <math>p_g = p_{data}</math><ref name='GAN'/>.

==Varianti==

Negli ultimi anni si è assistito ad un rapido sviluppo di metodi che rappresentano versioni modificate del framework originale.

====Rete antagonista generativa condizionale, o cGAN dall'inglese conditional generative adversarial network====

==Applicazioni==