AMEA İnformasiya Texnologiyaları İnstitutunda 2 saylı şöbənin “Generativ rəqib şəbəkələrin əsas modelləri” mövzusuna həsr edilmiş onlayn elmi seminarı keçirildi.
Məruzəni təqdim edən institutun əməkdaşı Firəngiz Sadıyeva ilk olaraq maşın təlimi sahəsində son illərdə populyar olan generativ rəqib şəbəkələrin (ing. Generative Adversial Network, GAN) əsas ideyaları barədə məlumat verdi.
O, qeyd etdi ki, generativ rəqib şəbəkələr – süni neyron şəbəkələrinin müəyyən obyektləri generasiya etməyi öyrənməyə cəhd edən çox maraqlı bir sinfidir. Bu şəbəkələr Monreal Universitetindən Ian Goodfellow və həmkarları tərəfindən 2014-cü ildə təklif olunub. Generativ rəqib şəbəkələrin ideyası olduqca sadədir: prosesi başa düşmək üçün iki neyron şəbəkəsi (generator və diskriminator) götürülür və öyrənmə prosesində onlar öz aralarında yarışırlar – generator reallığa bənzər obyektlər yaradır və diskriminator isə onların real, yoxsa saxta olduğunu müəyyən edir.
Məruzəçi generativ rəqib şəbəkələrin tərkib hissələri, diskriminator və generatorun öyrənmə prosesləri, tarazlıq şərti və paylanma sıxlıqları haqqında məlumat verdi. O, vurğuladı ki, rəqabətli birgə öyrənmə prosesində sistem dəfələrlə təkrarlanır, bu zaman generativ model özünü təkmilləşdirmiş olur və nəticədə generasiya olunan nümunələri real nümunələrdən fərqləndirmək olmur.
F.Sadıyeva hazırda bu şəbəkələrin çox populyar olduğunu və ən müxtəlif tətbiq sahələrində – video və şəkillərin generasiyası və bərpası, musiqi bəstələnməsi, mətnlərin (nəsr və nəzm) yaradılması, nitqin sintezi, mətndən reallıqda olmayan şəkillərin alınması və s. maraqlı nəticələr nümayiş etdirdiklərini söylədi. Generativ rəqib şəbəkələrin video, şəkil, musiqi və sintetik verilənlərin generasiyası, qrafika və dizayn, robototexnika, oyun sənayesi və digər sahələrdə tətbiqləri sahəsində uğurlu layihələri nəzərə çatdırdı.
Onun sözlərinə görə, generativ rəqib şəbəkələrin bir sıra nöqsanları da vardır. Ən əsası, bu şəbəkələrin öyrədilməsi olduqca çətindir, çünki həm onların hər birini öyrətmək, həm də onların tanıma dəqiqliyinin balansını təmin etmək lazımdır (yaxşı şəbəkədə tanıma dəqiqliyi 60-80 % arasında olmalıdır; diskriminatorun dəqiqliyi 100 %-ə yaxın olsa, generatora öyrənməyə imkan verməyəcək.).
Sonda məruzəçi generativ rəqib şəbəkələrin alternativləri: variasiya avtoenkoderi, avtoreqressiv modellər, axın modelləri və hibrid modellər barədə məlumat verdi, bu zaman generativ rəqib şəbəkələr ilə onların müqayisəsi, oxşar və fərqli, üstün və çatışmayan cəhətlərini diqqətə çatdırdı.
Şöbə müdiri, texnika üzrə fəlsəfə doktoru, dosent Yadigar İmamverdiyev generativ rəqib şəbəkələrin informasiya təhlükəsizliyi sahəsində tətbiqləri üzrə tədqiqatların dərinləşdirilməsini, mövzu ətrafında yeni istiqamətlərin araşdırılmasını tövsiyə etdi, bir sıra təkliflər səsləndirdi.
Məruzə ətrafında müzakirələr aparıldı, suallar cavablandırıldı.
© Bütün hüquqlar qorunur. Xəbərlərdən istifadə edərkən www.iсt.az saytına istinad zəruridir.
