"Gerçeğe Aykırı Ağ" adında "genel" ne ifade ediyor? "Uyumsuz" ifadesi, ayrımlı modellerle çelişen bir istatistiksel model sınıfını tanımlar.
Gayriresmi:
- Oluşturucu modeller yeni veri örnekleri oluşturabilir.
- Ayrımcı modeller, farklı veri örneği türleri arasında ayrım yapar.
Jenerik model, gerçek hayvanlara benzeyen yeni hayvanların fotoğraflarının oluşturulmasını sağlayabilir. Ayrımcı model ise bir köpeği kediden ayırt edebilir. GAN'lar, yalnızca belirli bir jenerasyon modelidir.
Daha resmi ifade etmek gerekirse, X veri kümesi kümesi ve Y etiketi grubu göz önünde bulundurulduğunda:
- Oluşturma modelleri, p(X, Y) ortak olasılığını veya etiket yoksa yalnızca p(X) değerini yakalar.
- Ayrımcı modeller, koşullu p(Y | X) olasılığını yakalar.
"Oluşturma" modeli, verilerin dağıtımını içerir ve belirli bir örneğin ne kadar olası olduğunu belirtir. Örneğin, bir dizideki bir sonraki kelimeyi tahmin eden modeller, genellikle bir kelime dizisine olasılık atayabilecekleri için genellikle üretken modellerdir (genellikle GAN'lardan çok daha basittir).
Ayrımcı model, belirli bir örneğin olası olup olmadığı sorusunu yoksayar ve size yalnızca bir etiketin örneğe uygulanma olasılığını belirtir.
Bunun çok genel bir tanım olduğunu unutmayın. Birçok farklı oluşturma modeli vardır. GAN'lar, üretken bir model türüdür.
Modelleme Olasılıkları
Her iki model de bir olasılığı temsil eden sayı döndürmez. Dağıtımı taklit ederek verilerin dağıtımını modelleyebilirsiniz.
Örneğin, karar ağacı gibi ayrımcı bir sınıflandırıcı, bu etikete bir olasılık atamadan bir örneği etiketleyebilir. Tahmin edilen tüm etiketlerin dağıtımı, verilerdeki etiketlerin gerçek dağıtımını modelleyeceği için bu tür bir sınıflandırıcı yine de model olur.
Benzer şekilde, üretken bir model, o dağıtımdan alınmış gibi görünen ikna edici "sahte" veriler üreterek bir dağıtımı modelleyebilir.
Jenerik Modeller Zor
Oluşturma modelleri, benzer ayrımcı modellere kıyasla daha zor bir görevin üstesinden gelir. Oluşturma modelleri daha fazla modellemelidir.
Resimler için oluşturulan jenerik bir model, büyük olasılıkla "kayak" gibi görünen şeylerin yakınında görünecek tekneler ve "alnında da gözler görünmüyor" gibi korelasyonları yakalayabilir. Çok karmaşık dağıtımlar.
Bununla birlikte, ayrımcı bir model, "yelkenli yat" veya "yelkenli değil" arasındaki farkı yalnızca birkaç öykü modeliyle öğrenebilir. Bu, üretken modelin doğru olması gereken korelasyonların çoğunu yok sayabilir.
Ayrı modeller, veri alanında sınırlar çizmeye çalışırken, genel modeller, verilerin alanın içine nasıl yerleştirildiğini modellemeye çalışır. Örneğin, aşağıdaki şemada elle yazılmış basamakların ayrımcı ve genel modellerini görebilirsiniz:
Şekil 1: El yazısıyla oluşturulan basamakların ayrımcı ve genel modelleri.
Ayrımcı model, veri alanında bir çizgi çizerek el yazısı ile 0&139 arasındaki farkı ayırt etmeye çalışır. Doğru çizgiyi alırsa örneklerin satırın her iki tarafındaki veri alanında tam olarak nereye yerleştirildiğini modellemek zorunda kalmadan, 0'1 değerini birbirinden ayırt edebilir.
Buna karşılık, üretken model, veri alanındaki gerçek eşdeğerlerine yakın sayılar üreterek ikna edici 1&33; ve 0&03 sayısını üretmeye çalışır. Veri alanının genelindeki dağılımı modellemelidir.
GAN'lar, bu tür zengin modelleri gerçek bir dağıtıma benzer şekilde eğitmek için etkili bir yol sunar. İşleyiş şeklini anlamak için GAN'ın temel yapısını anlamamız gerekir.
Öğrendiklerinizi Geliştirin: Jenerik ve Ayrımcı Modeller
- Altı kenarlı üç zar at.
- Ruloyu çarpı sabit w ile çarpın.
- İşlemi 100 kez tekrarlayın ve tüm sonuçların ortalamasını alın.