iT邦幫忙

第 12 屆 iThome 鐵人賽

0
自我挑戰組

AI 高中生的自我學習系列 第 25

Day 25 - 當AI有了常識之後, 超越人類? -GAN(1)

  • 分享至 

  • xImage
  •  

當AI有了常識...

深度學習領域的巨擘,同時也是Facebook的AI研究院長楊立昆(Yann LeCun),director of Facebook’s AI research group ,曾表示對抗訓練是有史以來最酷的技術(Adversarial training is the coolest thing since sliced bread),對於GAN他也說:「它為創建無監督學習模型提供了強有力的算法框架,有望幫助我們為AI加入常識(common sense)。我們認為,沿著這條路走下去,有不小的成功機會能開發出更智慧的AI。」link1 link2

電影情節-好人與壞人合作

如同警察與小偷, 軍情局與白帽駭客 (https://zh.wikipedia.org/wiki/%E9%BB%91%E5%AE%A2) 。

1999年4月30日,CIH病毒(又叫 車諾比 Chernobyl 病毒) 第一次發作後4天,台灣警方追查出此病毒的原創者,當時在軍隊服役中的陳盈豪,便被刑事警察局約談,由於當時中華民國沒有任何對於電腦病毒的刑事法令,陳盈豪獲不起訴處分,民事部份也無受害者提出告訴。

2000年4月25日,在任職公司美商網虎陪同之下,發布「CIH」的免疫程式,曾經在美商網虎及技嘉科技公司工作過,並與刑事局定時連絡,協助開發過濾詐騙電話的預警功能。他也固定到軍情局、刑事局講授網路犯罪課程。

link
軍情局與白帽駭客合作, 競爭得更好結果的概念, 一起找出最佳方式。

生成對抗網路 Generative Adversarial Network GAN

WIKI

Generative Adversarial Network 生成對抗網絡(英語:Generative Adversarial Network,簡稱GAN)是非監督式學習的一種方法,通過讓兩個神經網絡相互博弈的方式進行學習。該方法由Ian Goodfellow等人於2014年提出, link。生成對抗網絡由一個生成網絡與一個判別網絡組成。

  • 生成網絡從潛在空間(latent space)中隨機取樣作為輸入,其輸出結果需要盡量模仿訓練集中的真實樣本。
  • 判別網絡的輸入則為真實樣本或生成網絡的輸出,其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。而生成網絡則要盡可能地欺騙判別網絡。
  • 兩個網絡相互對抗、不斷調整參數,最終目的是使判別網絡無法判斷生成網絡的輸出結果是否真實。

突破

以往訓練神經網路常是透過人類提供大量標記資料供機器分析練習(即監督式學習)比如知名的圍棋人工智慧AlphaGo前期的訓練,便是針對人類輸入的大量棋譜進行監督式學習(後期開始自我對弈的訓練則是非監督式學習,某種層面上也有點對抗訓練的概念)
而GAN透過自己相互對抗的生成與鑑別網路,大幅減少資料量的需求,也為非監督式學習提供了更為進步的方法。

  • Nvidia公司的GAN則是將白天的街景轉為夜晚,作為自動駕駛車輛的訓練樣本,解決夜晚圖像資料不足的問題
  • 除了生成資料降低企業成本之外,GAN也可以作為非監督學習的重要訓練方法,儘管還有許多問題需要改良修正,GAN在未來依舊可能真正實現「完全不靠人類就能自主學習的AI」,其技術上的突破將會是人工智慧的發展趨勢。
註:本文是搜尋數個網站及各種不同來源之結果,著重在學習,有些內容已難辦別出處,我會儘可能列入出處,若有疏忽或出處不可考,請聯絡我, 我會列入, 尚請見諒。

上一篇
Day 24 - 天眼CNN 的耳朵和嘴巴 - BERT
下一篇
Day 26 - 當AI有了常識之後, 超越人類? -GAN(2)
系列文
AI 高中生的自我學習30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言