Eric Filion (NOKAMI)

Is an Canadian designer, technologist and artist in new media.

eric filion nokami solastalgia



Réseaux contradictoires conditionnels

Réseaux contradictoires conditionnels
Les réseaux génératifs (GAN) sont une classe d’algorithmes d’intelligence artificielle utilisés dans l’apprentissage automatique non supervisé, mis en œuvre par un système de deux réseaux de neurones se disputant dans un cadre de jeu à somme nulle. Ils ont été introduits par Ian Goodfellow et al. en 2014 Cette technique peut générer des photographies qui semblent au moins superficiellement authentiques pour les observateurs humains, et qui présentent de nombreuses caractéristiques réalistes.

Méthode
Un réseau génère des candidats (génératifs) et l'autre les évalue (discriminatif). Typiquement, le réseau génératif apprend à mapper d'un espace latent à une distribution de données particulière d'intérêt, tandis que le réseau discriminant distingue les instances de la distribution réelle des données et des candidats produits par le générateur. L'objectif d'apprentissage du réseau générateur est d'augmenter le taux d'erreur du réseau discriminant (c'est-à-dire de "tromper" le réseau discriminateur en produisant de nouvelles instances synthétisées qui semblent provenir de la véritable distribution de données).


Generative adversarial network
Generative adversarial networks (GANs) are a class of artificial intelligence algorithms used in unsupervised machine learning, implemented by a system of two neural networks contesting with each other in a zero-sum game framework. They were introduced by Ian Goodfellow et al. in 2014. This technique can generate photographs that look at least superficially authentic to human observers.

Method
One network generates candidates (generative) and the other evaluates them (discriminative). Typically, the generative network learns to map from a latent space to a particular data distribution of interest, while the discriminative network discriminates between instances from the true data distribution and candidates produced by the generator. The generative network's training objective is to increase the error rate of the discriminative network (i.e., "fool" the discriminator network by producing novel synthesised instances that appear to have come from the true data distribution).