Xarxes adversàries generatives

Bloc

Xarxes adversàries generatives

Xarxes adversàries generatives (GAN), proposades per primera vegada per Ian Goodfellow et al. el 2014, s’ha convertit en un dels enfocaments més prometedors del modelatge generatiu, particularment per a la síntesi d’imatges. En la seva forma més bàsica, consisteixen en dues xarxes competidores: un generador que intenta produir dades semblants a una distribució de dades determinada (per exemple, imatges) i un discriminador que prediu si les seves entrades provenen de la distribució de dades reals o del generador, guiant el generador per produir mostres cada vegada més realistes a mesura que aprèn a enganyar el discriminador amb més eficàcia. Aquesta conferència tracta de la teoria que hi ha darrere d’aquests models, les dificultats que comporta optimitzar-los i les millores teòriques i empíriques del marc bàsic. També discuteix aplicacions d’última generació d’aquest marc a altres formulacions de problemes (per exemple, CycleGAN), dominis (per exemple, síntesi de vídeo i veu) i el seu ús per a l’aprenentatge de la representació (per exemple, híbrids VAE-GAN, GAN bidireccional) ).

com accedir a l'aplicació en efectiu sense número de telèfon

Nota: aquesta conferència es va anunciar originalment com a número 11 de la sèrie.

Bios dels altaveus:

Jeff Donahue és un científic investigador de DeepMind de l’equip d’aprenentatge profund, que actualment se centra en models generatius contraris i en l’aprenentatge de representacions sense supervisió. Ha treballat en els projectes BigGAN, BigBiGAN, DVD-GAN i GAN-TTS. Va completar el seu doctorat. a UC Berkeley, centrat en l’aprenentatge de la representació visual, amb projectes com DeCAF, R-CNN i LRCN, algunes de les primeres aplicacions de transferència de representacions visuals profundes a tasques tradicionals de visió per ordinador com la detecció d’objectes i el subtítol d’imatges. Mentre era a Berkeley, també va co-dirigir el desenvolupament del marc d'aprenentatge profund Caffe, que va rebre el Premi Mark Everingham el 2017 per contribucions a la comunitat de visió per computador.

Mihaela Rosca és enginyera d'investigació a DeepMind i estudiant de doctorat a UCL, centrada en la investigació de models generatius i el modelatge probabilístic, des de la inferència variacional fins a les xarxes contràries generatives i l'aprenentatge de reforç. Abans d'unir-se a DeepMind, va treballar per a Google en l'ús d'aprenentatge profund per resoldre tasques de processament del llenguatge natural. Té estudis d’informàtica a l’Imperial College de Londres.

Quant al cicle de conferències:

El cicle de conferències Deep Learning és una col·laboració entre DeepMind i el Centre d’Intel·ligència Artificial UCL. Durant l’última dècada, l’aprenentatge profund ha evolucionat com el paradigma líder en intel·ligència artificial que ens proporciona la capacitat d’aprendre funcions complexes a partir de dades brutes amb una precisió i una escala sense precedents. L’aprenentatge profund s’ha aplicat a problemes de reconeixement d’objectes, reconeixement de veu, síntesi de veu, predicció, informàtica científica, control i molts altres. Les aplicacions resultants toquen totes les nostres vides en àrees com la investigació mèdica i sanitària, la interacció home-ordinador, la comunicació, el transport, la conservació, la fabricació i molts altres camps de l’esforç humà. En reconeixement a aquest enorme impacte, es va atorgar el premi Turing 2019, el màxim honor en informàtica, als pioners del Deep Learning.

En aquest cicle de conferències, investigadors del primer laboratori de recerca en IA, DeepMind, imparteixen 12 conferències sobre una apassionant selecció de temes en l’aprenentatge profund, que van des dels fonaments de la formació de xarxes neuronals passant per idees avançades al voltant de la memòria, l’atenció i el modelatge generatiu fins a l’important tema de la innovació responsable.

#aprenentatge profund

www.youtube.com

Xarxes adversàries generatives

Xarxes adversàries generatives (GAN), proposades per primera vegada per Ian Goodfellow et al. el 2014, han sorgit com un dels enfocaments més prometedors del modelatge generatiu.