Generative Adversarial Networks

aus Wikipedia, der freien Enzyklopädie
Zur Navigation springen Zur Suche springen

Generative Adversarial Networks (GAN, zu deutsch etwa ‚erzeugende gegnerische Netzwerke‘) sind in der Informatik eine Gruppe von Algorithmen zu unüberwachtem Lernen.

Eigenschaften[Bearbeiten | Quelltext bearbeiten]

Generative Adversarial Networks bestehen aus zwei künstlichen neuronalen Netzwerken, die ein Nullsummenspiel durchführen. Eines davon erstellt Kandidaten (der Generator), das zweite neuronale Netzwerk bewertet die Kandidaten (der Diskriminator).[1] Typischerweise bildet der Generator von einem Vektor aus latenten Variablen auf den gewünschten Ergebnisraum ab. Das Ziel des Generators ist es zu lernen, Ergebnisse nach einer bestimmten Verteilung zu erzeugen. Der Diskriminator wird hingegen darauf trainiert, die Ergebnisse des Generators von den Daten aus der echten, vorgegebenen Verteilung zu unterscheiden. Die Zielfunktion des Generators besteht dann darin, Ergebnisse zu erzeugen, die der Diskriminator nicht unterscheiden kann. Dadurch soll sich die erzeugte Verteilung nach und nach der echten Verteilung angleichen.

Verwendung[Bearbeiten | Quelltext bearbeiten]

GAN wurden unter anderem zur Erstellung photorealistischer Bilder zur Visualisierung verschiedener Gegenstände, zur Modellierung von Bewegungsmustern in Videos,[2] zur Erstellung von 3D-Modellen von Objekten aus 2D-Bildern[3] und zur Bildbearbeitung astronomischer Bilder verwendet.[4] Auch Facebook verwendet GANs.[5]

Geschichte[Bearbeiten | Quelltext bearbeiten]

Die Verwendung kompetitiver neuronaler Netzwerke wurde erstmals 2013 von Wei Li, Melvin Gauci und Roderich Gross vorgeschlagen.[6] Das Konzept der Generative Adversarial Networks wurde 2014 von Yoshua Bengio, Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair und Aaron Courville entwickelt.[1] In Anlehnung an den Turing-Test wird die Methode auch als „Turing-Lernen“ (englisch Turing learning) bezeichnet.[7]

Literatur[Bearbeiten | Quelltext bearbeiten]

  • Ian Goodfellow, Yoshua Bengio und Aaron Courville: Deep Learning (Adaptive Computation and Machine Learning), MIT Press, Cambridge (USA), 2016. ISBN 978-0262035613.

Einzelnachweise[Bearbeiten | Quelltext bearbeiten]

  1. a b Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio: Generative Adversarial Networks. In: ArXiv. 2014.
  2. Generating Videos with Scene Dynamics.
  3. 3D Generative Adversarial Network.
  4. Kevin Schawinski, Ce Zhang, Hantian Zhang, Lucas Fowler, Gokula Krishnan Santhanam: Generative Adversarial Networks recover features in astrophysical images of galaxies beyond the deconvolution limit. In: Instrumentation and Methods for Astrophysics. 1. Februar 2017. arxiv:1702.00403.
  5. Larry Greenemeier: When Will Computers Have Common Sense? Ask Facebook. 20. Juni 2016. Abgerufen am 31. Juli 2016.
  6. Wei Li, Melvin Gauci und Roderich Gross: A Coevolutionary Approach to Learn Animal Behavior Through Controlled Interaction. In: Proceedings of the 15th Annual Conference on Genetic and Evolutionary Computation (GECCO 2013) Amsterdam, 6. Juli 2013, S. 223–230. doi:10.1145/2463372.2465801
  7. Wei Li, Melvin Gauci, Roderich Groß: Turing learning: a metric-free approach to inferring behavior and its application to swarms. In: Swarm Intelligence. 10, Nr. 3, 30. August 2016, S. 211–243. doi:10.1007/s11721-016-0126-1.