Rhwydweithiau Gwrthwynebol Cynhyrchiol (GANs)

Diffiniad

Mae GANs yn ddosbarth o fodelau dysgu peirianyddol lle mae dau rwydwaith niwral—generadur a gwahaniaethwr—yn cystadlu i greu data synthetig realistig.

Diben

Y pwrpas yw cynhyrchu data realistig fel delweddau, sain, neu destun. Defnyddir GANs mewn diwydiannau creadigol, ehangu data, ac ymchwil.

Pwysigrwydd

• Yn cynhyrchu data synthetig o ansawdd uchel.
• Yn galluogi creadigrwydd mewn dylunio a chelf.
• Risg o gamddefnyddio ar gyfer dwfn ffugiau a chamwybodaeth.
• Yn ddrud o ran cyfrifiadura i'w hyfforddi.

Sut Mae'n Gwaith

1. Mae generadur yn creu data synthetig o sŵn ar hap.
2. Mae gwahaniaethwr yn gwerthuso a yw data yn real neu'n ffug.
3. Mae'r ddau rwydwaith yn cael eu hyfforddi ar yr un pryd.
4. Mae generadur yn gwella trwy ddysgu twyllo'r gwahaniaethwr.
5. Mae iteriad yn parhau nes bod allbynnau'n debyg i ddata go iawn.

Enghreifftiau (Y Byd Go Iawn)

• NVIDIA StyleGAN: yn cynhyrchu wynebau dynol realistig.
• Cymwysiadau DeepFake: creu fideo synthetig.
• Delweddau meddygol synthetig ar gyfer cynyddu data ymchwil.

Cyfeiriadau / Darllen Pellach

• Goodfellow et al. “Rhwydweithiau Gwrthwynebol Cynhyrchiol.” NeurIPS 2014.
• Nodiadau Darlith GAN Ian Goodfellow.
• Trafodion IEEE ar Rwydweithiau Niwral a Systemau Dysgu.