生成对抗网络 (GAN) 有何特别之处

粉丝们欣喜若狂的原因有很多，包括 GAN 是第一个产生令人信服的好结果的生成算法，以及它们开辟了许多新的研究方向。在过去的几年里，GANs被认为是最突出的机器学习研究，从那时起，GANs彻底改变了深度学习的概念，在人工智能史上产生了一些重大的技术突破

生成对抗网络

生成对抗网络 (GAN)是一类功能强大的神经网络，用于 无监督学习。它基本上由一个由两个相互竞争的神经网络模型组成的系统组成，它们相互竞争，能够分析、捕获和复制数据集中的变化。

生成对抗网络的特征

GAN 的第一个也是最大的特点是它们的学习性质，即它们更喜欢遵循强大的无监督学习，这就是它们不需要标记数据的原因。这使得 GAN 非常强大且易于掌握，因为消除了标记和注释数据的繁琐任务。
其次，他们提出了一种生成模型，当与对抗性网络相结合时，可以创建高质量的自然图片，这些图片会逐渐增长以生成越来越逼真的数据。该框架不仅可以生成非常高质量的合成数据，还可以用于提高照片中的像素、从输入文本生成图像、将图像从一个域转换到另一个域、修改面部图像的外观等等。其他事情。
第三，假设你没有足够的数据来解决你正在处理的问题；在这种情况下，您可以使用对抗网络来“生成”更多数据，而不是求助于数据增强等技巧；不仅如此，许多任务需要从某些分布中真实地生成样本，而 GAN 已被证明在这种情况下非常有用。
当我们有几个任务要完成时，单个输入可能与许多可选的正确输出有密切的关系，每一个都是可以接受的。大多数生成模型，尤其是 GAN，允许机器学习使用多模态输出进行操作。
GAN 受欢迎的另一个原因是对抗性训练的强度，它产生的输出比 MSE 的模糊平均值更清晰和离散。这导致了 GAN 的多种应用，包括超分辨率 GAN，其在趋势上优于 MSE 和其他几种损失函数。
最后但并非最不重要的一点是，以 GAN 为中心的永无止境的研究如此引人入胜，以至于吸引了其他所有行业的兴趣。因此，我们将见证 GAN 历史上的几项关键技术进步，这些进步使它们脱颖而出。

GAN 能成为未来吗？

GANs 随着时间的推移而改进，尽管过去十年的研究带来了所有挑战，GANs 生成的内容将变得越来越难以与真实内容区分开来。将 2014 年的图像生成与今天进行比较，预计质量不会有太大提高，如果继续朝着这个方向发展，假设 GAN 被接受，GAN 在未来仍将是一个非常重要的研究项目。

我们不知道“GAN 能为我们做些什么”，因为我们仍在谈论“我们能为 GAN 做些什么”以使它们更稳定，但 GAN 的未来对人类来说似乎是光明的，我们可以看到机器——立即生成代码、音乐、视频，甚至文章和博客。但是，我可以向你保证，这篇博文不是由 GAN 写的（或者是不是？）。

GANS 的应用

来自著名机构和实验室的许多学者和研究人员正在使用 GAN 来开发治疗癌症、皮肤病、纤维化、帕金森氏症、阿尔茨海默氏症、ALS、糖尿病、肌肉减少症和衰老的药物。
一个特别有趣的应用将是在牙科部门，据信研究人员正在使用 GAN 来制造牙冠，这将加快患者的整个过程，因为以前需要数周才能完成的过程现在可以高精度地完成。仅仅几个小时。
GAN 还被用于改善特定环境中的增强现实 (AR) 场景，例如通过利用 GAN 的创造性生成能力学习世界的统计结构来完成缺失的环境地图。还处理了其他与 AR 相关的 GAN 用例，包括环境纹理，例如启用、照明和反射。
GAN 将展示其价值的另一个应用是为低数据机制生成训练数据。例如，Apple 的一个研究团队证明，您可以将大量未标记的数据提供给由 GAN 提供支持的精炼器，然后可以在给定一些基础标记的合成数据的情况下对其进行训练以生成更真实的训练数据，并且这种技术可以减少生成监督数据集的成本和对各种机器学习任务的帮助。
有许多涉及 GAN 的有趣研究课题，例如改进解缠结、应用对比学习和训练更稳定的 GAN，这些尚未在各种构建工具的帮助下得到解决，这些构建工具使从业者和研究人员能够快速摆脱证明。概念到现实世界的应用，激发未来对 GAN 的更多创造性使用。
差分私有 GAN 在数据隐私方面是一个需要探索的重要问题，在训练更高效的模型以进行快速数据渲染和支持多模态数据类型方面有很多前景，就像自动驾驶汽车等困难情况一样。