Rangkaian Musuh Generatif (GAN)

Rangkaian Adversarial Generatif (GAN) ialah kelas khas algoritma kecerdasan buatan (AI) yang digunakan dalam pembelajaran mesin tanpa pengawasan, yang dilaksanakan oleh sistem dua rangkaian saraf yang bersaing antara satu sama lain. GAN terdiri daripada model generatif, yang mencipta data sintetik berdasarkan input yang diberikan, dan model diskriminatif, yang menentukan sama ada data yang dijana adalah nyata atau tidak.

GAN digunakan dalam pelbagai aplikasi, terutamanya dalam sintesis imej, penukaran teks ke imej, analisis video dan lebih baru dalam kenderaan autonomi. Salah satu aplikasi yang paling berkuasa ialah penciptaan imej realistik orang, objek dan pemandangan yang sebenarnya tidak wujud. GAN membantu mentafsir tetapan visual yang kompleks, objek memandu dan pengecaman gerak isyarat, malah boleh meramalkan bingkai masa hadapan dalam kandungan video.

GAN pertama kali dibangunkan pada 2014 oleh saintis komputer Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville dan Yoshua Bengio, yang menggabungkan pemodelan generatif dengan teknik pembelajaran mendalam. Ia bertujuan untuk melatih model tanpa label atau pengawasan dengan mempunyai dua model bersaing yang bertindak sebagai musuh.

Model generatif ditugaskan untuk menangkap pengedaran data set latihan dengan lebih baik daripada rakan diskriminatifnya. Model diskriminatif mengambil sampel daripada model generatif dan menentukan sama ada ia benar atau tidak. Kedua-dua model dilatih secara serentak untuk meningkatkan satu sama lain dan kedua-dua model secara beransur-ansur meningkatkan prestasi mereka sehingga mereka mencapai keseimbangan.

GAN ialah alat berkuasa yang boleh mempelajari pemetaan kompleks dan menjana titik data baharu. Memandangkan teknologi terus berkembang, GAN berpotensi untuk menjadi alat yang berharga dalam bidang penglihatan komputer, pemprosesan bahasa semula jadi, analisis data dan banyak lagi.