محققان مرکز تحقیقات نوآوری در فناوری اطلاعات دانشگاهی آکادمیا سینایکا ، در تایوان ، اخیراً یک شبکه جدید تولیدکننده ی دشمن (GAN) ایجاد کرده اند که دارای سلولهای عصبی باینری در لایه خروجی ژنراتور است. این مدل ، که در مقاله ای که از قبل در ArXiv منتشر شده است ، ارائه شده است ، می تواند به طور مستقیم پیش بینی های ارزش دودویی را در زمان آزمون تولید کند.
تاکنون ، رویکردهای GAN در مدل سازی توزیع مداوم به نتایج قابل توجهی دست یافته اند. با این وجود ، بکارگیری GAN ها برای داده های گسسته تاکنون چالش برانگیز بوده است ، به ویژه به دلیل مشکلات در بهینه سازی توزیع مدل به سمت توزیع داده های هدف در یک فضای گسسته با ابعاد بالا.
هائو ون دونگ ، یکی از محققانی که این تحقیق را انجام داده است ، به Tech Xplore گفت: "من در حال حاضر در زمینه تولید موسیقی در آزمایشگاه موسیقی و هوش مصنوعی در آکادمی سینا کار می کنم. به نظر من آهنگسازی را می توان به عنوان یک سری از تصمیمات تعبیر کرد. به عنوان مثال ، در مورد ابزار دقیق ، آکورد و حتی یادداشتهای دقیق برای استفاده. برای حرکت به سمت دستیابی به چشم انداز بزرگ یک آهنگساز عالی AI ، من به خصوص علاقه مند هستم که آیا مدل های عمیق مولد مانند GAN ها قادر به تصمیم گیری هستند. این کار بررسی کرد که آیا ما می توانیم GAN را آموزش دهیم که از نورونهای باینری استفاده کند تا تصمیم باینری با استفاده از backpropagation ، الگوریتم آموزش استاندارد را بگیرد.
دونگ و مشاور او یی هسوان یانگ مدلی را تهیه کردند که می تواند به طور مستقیم پیش بینی های دوتایی را در زمان تست تولید کند. سپس آنها از آن برای تولید ارقام دوتایی MNIST و مقایسه عملکرد انواع مختلف نورونهای باینری ، اهداف GAN و معماری شبکه استفاده کردند.
نمونه رقم های تولید شده و خروجی های از قبل بکار رفته (یعنی مقادیر متوسط و دارای ارزش واقعی و واقعی قبل از عمل دانه بندی ، بخش 2.2 را ببینید) برای مدل پیشنهادی که توسط MLP ها اجرا شده و با هدف WGAN-GP آموزش داده شده است. مدل پیشنهادی با SBN (از قبل فعال شده). اعتبار: دونگ و یانگ.
دونگ گفت: "به طور خلاصه ، BinaryGAN یک GAN است که نورونهای باینری ، نورون هایی را که یک یا صفر در لایه خروجی ژنراتور تولید می کنند ، تصویب می کند." "یک GAN دارای دو مؤلفه اصلی است: ژنراتور و تشخیص دهنده. ژنراتور قصد دارد نمونه های داده جعلی را تولید کند که بتوانند تشخیص دهنده را در طبقه بندی نمونه های تولید شده به عنوان واقعی فریب دهند. از طرف دیگر ، هدف از تشخیص دهنده تشخیص جعلی است. از داده های واقعی. بازخورد ارائه شده توسط تشخیص دهنده برای بهبود ژنراتور استفاده می شود. پس از آموزش ، از ژنراتور می توان برای تولید نمونه جدید داده استفاده کرد. "
محققان توانستند به طور مؤثر BinaryGAN ، مدل تولیدی آنها را با نورونهای باینری آموزش دهند. یافته های آنها همچنین نشان می دهد که استفاده از برآوردگرهای شیب می تواند یک روش امیدوار کننده برای توزیع مدلهای گسسته با GAN ها باشد.
هیستوگرام از خروجی های از قبل برای مدل ارائه شده و پیش بینی های احتمالی برای مدل با ارزش واقعی است. این دو مدل هر دو توسط MLP ها اجرا شده و با هدف WGAN-GP آموزش داده می شوند. اعتبار: دونگ و یانگ.
دونگ گفت: "با استفاده از برآوردگرهای گرادیان ، ما توانستیم با استفاده از الگوریتم backpropagation ، BinaryGAN را آموزش دهیم." "علاوه بر این ، باینری شدن به کار رفته در مدل منجر به ویژگی های متمایز از نمایش های میانی شده توسط شبکه های عصبی عمیق می شود. این مسئله همچنین بر اهمیت شامل عملیات بایناریزاسیون در آموزش تأکید می کند ، به طوری که می توان این عملیات Binarization را نیز بهینه کرد."
اکنون دونگ و یانگ به دنبال اعمال یک GAN هستند که نورونهای باینری را برای تحقق نمودار محاسبه شرطی اتخاذ می کند. در این مثال ، با توجه به تصمیمات گرفته شده توسط نورونهای باینری شبکه ، برخی از مؤلفه ها فعال و غیرفعال می شوند .
نمودار سیستم از مدل ارائه شده توسط MLPs. توجه داشته باشید که نورونهای باینری فقط در لایه خروجی ژنراتور استفاده می شوند. اعتبار: دونگ و یانگ.
دونگ گفت: "این مهم است زیرا به ما این امکان را می دهد تا یک مدل پیچیده تر ایجاد کنیم که به تصمیمات اتخاذ شده در لایه های اولیه شبکه متکی باشد." "برای مثال ، ما می توانیم آهنگساز هوش مصنوعی بسازیم که یاد می گیرد ابتدا تصمیم بگیرد که سازها و آکورد را تصمیم بگیرد و سپس براساس آن آهنگسازی کند."
http://socialmediainuk.com/story5567485/پمپ-وکیوم-آبی
محققان مرکز تحقیقات نوآوری در فناوری اطلاعات دانشگاهی آکادمیا سینایکا ، در تایوان ، اخیراً یک شبکه جدید تولیدکننده ی دشمن (GAN) ایجاد کرده اند که دارای سلولهای عصبی باینری در لایه خروجی ژنراتور است. این مدل ، که در مقاله ای که از قبل در ArXiv منتشر شده است ، ارائه شده است ، می تواند به طور مستقیم پیش بینی های ارزش دودویی را در زمان آزمون تولید کند.
تاکنون ، رویکردهای GAN در مدل سازی توزیع مداوم به نتایج قابل توجهی دست یافته اند. با این وجود ، بکارگیری GAN ها برای داده های گسسته تاکنون چالش برانگیز بوده است ، به ویژه به دلیل مشکلات در بهینه سازی توزیع مدل به سمت توزیع داده های هدف در یک فضای گسسته با ابعاد بالا.
هائو ون دونگ ، یکی از محققانی که این تحقیق را انجام داده است ، به Tech Xplore گفت: "من در حال حاضر در زمینه تولید موسیقی در آزمایشگاه موسیقی و هوش مصنوعی در آکادمی سینا کار می کنم. به نظر من آهنگسازی را می توان به عنوان یک سری از تصمیمات تعبیر کرد. به عنوان مثال ، در مورد ابزار دقیق ، آکورد و حتی یادداشتهای دقیق برای استفاده. برای حرکت به سمت دستیابی به چشم انداز بزرگ یک آهنگساز عالی AI ، من به خصوص علاقه مند هستم که آیا مدل های عمیق مولد مانند GAN ها قادر به تصمیم گیری هستند. این کار بررسی کرد که آیا ما می توانیم GAN را آموزش دهیم که از نورونهای باینری استفاده کند تا تصمیم باینری با استفاده از backpropagation ، الگوریتم آموزش استاندارد را بگیرد.
دونگ و مشاور او یی هسوان یانگ مدلی را تهیه کردند که می تواند به طور مستقیم پیش بینی های دوتایی را در زمان تست تولید کند. سپس آنها از آن برای تولید ارقام دوتایی MNIST و مقایسه عملکرد انواع مختلف نورونهای باینری ، اهداف GAN و معماری شبکه استفاده کردند.
نمونه رقم های تولید شده و خروجی های از قبل بکار رفته (یعنی مقادیر متوسط و دارای ارزش واقعی و واقعی قبل از عمل دانه بندی ، بخش 2.2 را ببینید) برای مدل پیشنهادی که توسط MLP ها اجرا شده و با هدف WGAN-GP آموزش داده شده است. مدل پیشنهادی با SBN (از قبل فعال شده). اعتبار: دونگ و یانگ.
دونگ گفت: "به طور خلاصه ، BinaryGAN یک GAN است که نورونهای باینری ، نورون هایی را که یک یا صفر در لایه خروجی ژنراتور تولید می کنند ، تصویب می کند." "یک GAN دارای دو مؤلفه اصلی است: ژنراتور و تشخیص دهنده. ژنراتور قصد دارد نمونه های داده جعلی را تولید کند که بتوانند تشخیص دهنده را در طبقه بندی نمونه های تولید شده به عنوان واقعی فریب دهند. از طرف دیگر ، هدف از تشخیص دهنده تشخیص جعلی است. از داده های واقعی. بازخورد ارائه شده توسط تشخیص دهنده برای بهبود ژنراتور استفاده می شود. پس از آموزش ، از ژنراتور می توان برای تولید نمونه جدید داده استفاده کرد. "
محققان توانستند به طور مؤثر BinaryGAN ، مدل تولیدی آنها را با نورونهای باینری آموزش دهند. یافته های آنها همچنین نشان می دهد که استفاده از برآوردگرهای شیب می تواند یک روش امیدوار کننده برای توزیع مدلهای گسسته با GAN ها باشد.
هیستوگرام از خروجی های از قبل برای مدل ارائه شده و پیش بینی های احتمالی برای مدل با ارزش واقعی است. این دو مدل هر دو توسط MLP ها اجرا شده و با هدف WGAN-GP آموزش داده می شوند. اعتبار: دونگ و یانگ.
دونگ گفت: "با استفاده از برآوردگرهای گرادیان ، ما توانستیم با استفاده از الگوریتم backpropagation ، BinaryGAN را آموزش دهیم." "علاوه بر این ، باینری شدن به کار رفته در مدل منجر به ویژگی های متمایز از نمایش های میانی شده توسط شبکه های عصبی عمیق می شود. این مسئله همچنین بر اهمیت شامل عملیات بایناریزاسیون در آموزش تأکید می کند ، به طوری که می توان این عملیات Binarization را نیز بهینه کرد."
اکنون دونگ و یانگ به دنبال اعمال یک GAN هستند که نورونهای باینری را برای تحقق نمودار محاسبه شرطی اتخاذ می کند. در این مثال ، با توجه به تصمیمات گرفته شده توسط نورونهای باینری شبکه ، برخی از مؤلفه ها فعال و غیرفعال می شوند .
نمودار سیستم از مدل ارائه شده توسط MLPs. توجه داشته باشید که نورونهای باینری فقط در لایه خروجی ژنراتور استفاده می شوند. اعتبار: دونگ و یانگ.
دونگ گفت: "این مهم است زیرا به ما این امکان را می دهد تا یک مدل پیچیده تر ایجاد کنیم که به تصمیمات اتخاذ شده در لایه های اولیه شبکه متکی باشد." "برای مثال ، ما می توانیم آهنگساز هوش مصنوعی بسازیم که یاد می گیرد ابتدا تصمیم بگیرد که سازها و آکورد را تصمیم بگیرد و سپس براساس آن آهنگسازی کند."
http://socialmediainuk.com/story5567485/پمپ-وکیوم-آبی
آمریکایی ها اعتماد به نفس خود را از دست می دهند و می توانند ردیف های رسانه های اجتماعی را ترفند کنند