Штучний інтелект

Анотація: У доповіді досліджується важлива область штучного інтелекту — генеративні змагальні мережі (ГЗМ), які використовуються для створення високоякісних штучних зразків даних. ГЗМ зазнали значного розвитку та застосування в різних секторах, включаючи обробку графічних даних. В доповіді зосереджено увагу на прикладному використанні ГЗМ та їхній архітектурі. Розглянуті базові принципи функціонування ГЗМ, висвітлюються переваги та недоліки, включаючи проблеми з навчанням, зникаючі градієнти та конвергентні осциляції, і описуються заходи для подолання цих проблем. Також розглядаються сучасні дослідження в галузі ГЗМ та їхнє застосування у різних галузях, включаючи кібербезпеку, медицину, криміналістику та комп'ютерний зір. Висвітлено практичні результати авторів доповіді щодо власних експериментів з ГЗМ, їх оптимізації та вдосконалення архітектури. Мета дослідження полягає в аналізі архітектурних особливостей ГЗМ з метою покращення процесу їх навчання.

Ключові слова: штучний інтелект, глибоке навчання, нейронні мережі, генеративні змагальні мережі, обробка зображень.

Посилання:

1. I. J. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, J. Bengio, “Generative Adversarial Networks,” Proceedings of the International Conference on Neural Information Processing Systems (NIPS) 2014, pp. 2672—2680.
2. N. Aldausari, A. Sowmya, N. Marcus, and G. Mohammadi, Video Generative Adversarial Networks: A Review, 2022, [Online]. Available at: https://doi.org/10.1145/3487891
3. O. S. Striuk, Y. P. Kondratenko, “Generative Adversarial Neural Networks and Deep Learning: Successful Cases and Advanced Approaches,” International Journal of Computing, vol. 20, issue 3, pp. 339-349, 2021.
4. O. S. Striuk, Y. P. Kondratenko, Generative Adversarial Networks in Cybersecurity: Analysis and Response, in: Y.Kondratenko, V.Kreinovich, W.Pedrycz, A.Chilrii, A.M.Gil-Lafuente (Eds.), Artificial Intelligence in Control and Decision-making Systems: Dedicated to Prof. Janusz Kacprzyk. Studies in Computational Intelligence, vol. 1087, Springer, Cham, 2023, pp. 373-388.
5. M. Arjovsky, L. Bottou, Towards Principled Methods for Training Generative Adversarial Networks, 2017, [Online]. Available at: https://arxiv.org/abs/1701.04862
6. O. S. Striuk, Y. P. Kondratenko, “Optimization Strategy for Generative Adversarial Networks Design,” International Journal of Computing, vol. 22, issue 3, pp. 292-301, 2023.
7. R. Ayari, Generative Adversarial Networks, 2020, [Online]. Available at: https://bit.ly/3Uk4GBw
8. A. Borji, Pros and Cons of GAN Evaluation Measures, 2018, [Online]. Available at: https://arxiv.org/abs/1802.03446
9. J. Brownlee, A Gentle Introduction to Transfer Learning for Deep Learning, 2017, [Online]. Available at: https://bit.ly/3GTmdeC
10. O. Striuk, Y. Kondratenko, I. Sidenko, A. Vorobyova, “Generative Adversarial Neural Network for Creating Photorealistic Images,” Proceedings of 2020 IEEE 2nd International Conference on Advanced Trends in Information Theory, Kyiv, Ukraine, November 27, 2020, pp. 368-371.
11. Y. Lecun, L. Bottou, Y. Bengio and P. Haffner, “Gradient-based learning applied to document recognition,” in Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, Nov. 1998, doi: 10.1109/5.726791.
12. O. Striuk and Y. Kondratenko, “Adaptive Deep Convolutional GAN for Fingerprint Sample Synthesis,” 2021 IEEE 4th International Conference on Advanced Information and Communication Technologies (AICT), Lviv, Ukraine, 2021, pp. 193196, doi: 10.1109/AICT52120.2021.9628978.
13. A. Bécue and C. Champod, "Interpol review of fingermarks and other body impressions (2019 – 2022)," Forensic Science International: Synergy, vol. 6, p. 100304, 2023.
14. O. Striuk and Y. Kondratenko, “Implementation of Generative Adversarial Networks in Mobile Applications for Image Data Enhancement,” Journal of Mobile Multimedia, vol. 19, no. 03, pp. 823–838, 2023. doi: 10.13052/jmm1550-4646.1938.
15. Y. I. Shehu, A. Ruiz-Garcia, V. Palade, A. James, “Sokoto Coventry Fingerprint Dataset,” arXiv:1807.10609 [cs.CV], 2018, pp. 1—3.
16. BIRDS 400 Dataset, [Online]. Available at: https://www.kaggle.com/datasets/gpiosenka/100-birdspecies.
17. F. Di Mattia et al., A Survey on GANs for Anomaly Detection, 2021, [Online]. Available at: https://arxiv.org/abs/1906.11632