şükela:  tümü | bugün
  • gans, 2014'te (bkz: ıan goodfellow) ve silah arkadaslari tarafindan su paper ile tanitildi. mimarinin icinde 2 farkli model var generator ve discriminator, generator surekli yeni data uretmeye calisir, discriminator ise generator tarafindan uretilen datanin gercek olup olmadigina bakar. zamanla generator sahte data uretmekte uzamanlasirken discriminator ise sahteyi gercekten ayrimakta uzmanlasir. genelde kalpazan-polis ornegi verilir konuyu high level anlatmak icin. sonucta boyle, boyle ve soyle cok guzel uygulamalar ortaya cikar.
  • 2014'te ian goodfellow'un başını çektiği kanadalı bir araştırma grubu tarafında ortaya atılan bir fikirdir. ian goodfellow bu fikrin sonucunda 2017'de innovators under 35 seçilenlerden biridir. facebook ai direktörü yann lecun bu fikirden övgüyle bahsetmiştir. fikrin mimari ian goodfellow google brain takımında staff researcher olarak çalışmalarına devam etmektedir.

    standart üretici ağlardan ayrıldığı nokta sistemde üreticiye ek bir ayrıştırıcı bulunması ve üreticiden gelen fotoğrafları gerçek ya da sahte olarak ayırmasıdır. bu sayede üretici ağ nasıl daha gerçek görünen fotoğraf üreteciğini öğrenmektedir.

    generative adversarial networkler ya da kısaca ganlar üretilmesi gereken distribution'u öğrenmeye çalışıp oradan örnekler üretmeye çalışır.

    vanilla gan'lar eğitim esnasında stabilite sorunu yaşamaktadır. bu sorunların üstesinden gelmek için wasserstein gan, began gibi fikirler çıkmış ve eğitimi stabilleştirmek için çeşitli yöntemler denenmiştir ve denenmektedir.

    bir kaç güzel gan makalesi

    https://arxiv.org/abs/1611.07004
    https://arxiv.org/abs/1612.00005
    https://arxiv.org/abs/1703.10593
    https://arxiv.org/abs/1511.06434