| Generative adversarial network – GAN Generative adversarial networks are a driver of recent AI developments. These are made up of two sub artificial neural networks: a generator network and a discriminator network. The generator network is fed training data and generates artificial data based on patterns in training data. The discriminator network compares the artificially generated data with the ‘real’ training data and feeds back to the generator network where it has detected differences. The generator then alters its parameters. Over time the generator network learns to generate more realistic data, until the discriminator network cannot tell what is artificial and what is ‘real’ training data and the AI model generates the desired outcomes. See also artificial neural networks and transformers. | A generatív adverzális hálók (GAN) a mesterséges intelligencia egyik legfejlettebb technológiája, amely különösen népszerűvé vált a generatív MI területén. A GAN-ok két egymással „versengő” mesterséges neurális hálóból állnak: a generátor és a diszkriminátor hálóból. Ezek a hálók egymás tanítására és fejlesztésére építenek, aminek eredményeként a generátor egyre élethűbb adatokat képes létrehozni. Hogyan működik a GAN? A GAN működése egy ismétlődő folyamat, amely a következőképpen épül fel: Generátor Hálózat: A generátor mesterséges adatokat hoz létre, amelyek mintázatok alapján hasonlítanak a valódi adatokra. Példa: A generátor „festményeket” készít, amelyek hasonlítanak a tanításra használt híres művészek stílusához. Diszkriminátor Hálózat: A diszkriminátor összehasonlítja a generátor által létrehozott mesterséges adatokat a valódi adatokkal. Célja, hogy megállapítsa, melyik adat valódi és melyik mesterséges. Visszacsatolás: A diszkriminátor visszajelzést ad a generátornak arról, hogy az általa létrehozott adatok mennyire élethűek. A generátor ezt a visszajelzést felhasználja, hogy javítsa a következő adatok minőségét. Tanulási ciklus: Az ismétlések során a generátor egyre jobb mesterséges adatokat hoz létre, míg a diszkriminátor egyre kifinomultabbá válik a valódi és mesterséges adatok megkülönböztetésében. A folyamat addig folytatódik, amíg a diszkriminátor már nem képes különbséget tenni a valódi és a mesterséges adatok között. Gyakorlati példa Egy GAN alapú rendszer segít egy grafikai stúdiónak új karakterek létrehozásában egy videojátékhoz: A generátor egyedi karakterarcokat hoz létre. A diszkriminátor ellenőrzi, hogy a karakterek mennyire valósághűek. Az ismétlések során a generált karakterek egyre jobban illeszkednek a játék világába. | ELTE AI Lab Almotive DeepArt.io Runway ML This Person Does Not Exist |