七个不容易被发现的生成对抗网络用例

惊了！GAN（生成对抗网络）还可以这样用？七个不容易被发现的生成对抗网络（GAN）用例

像许多追随AI发展的人一样，我无法忽略生成建模的最新进展，尤其是图像生成中生成对抗网络(GAN)的巨大成功。看看下面这些样本：它们与真实照片几乎没有区别!

从2014年到2018年，面部生成的进展也非常显着。这些结果让我感到兴奋，但我内心总是怀疑它们是否真的有用且广泛适用。基本上我“怀疑”，凭借生成模型的所有功能，我们并没有真正将它们用于比高分辨率面部表情生成这些更实用的东西。当然，有些企业可以直接基于图像生成或风格转移(如游戏行业中的角色生成或关卡生成，从真实照片到动漫头像的风格转换)，但我一直在寻找GAN和其他生成方式更多领域模型的应用。

使用RNN生成游戏人物在本文中，我将介绍7个用例。其中一些我已经亲自确认它们的用处，其他一些正在研究中，但这并不意味着它们不值得尝试。所有这些使用生成模型创建的例子都可以应用于不同的领域，因为我们的主要目标不是生成一些现实的东西，而是利用神经网络的内在知识来完成新任务。1.数据增强最明显的应用是训练模型：从我们的数据生成新样本以增强我们的数据集。我们如何检查这种增强是否真的有帮助呢?

https://arxiv.org/pdf/1803.01229.pdf2.隐私保护许多公司的数据可能是秘密的，敏感的(包含患者诊断的医疗数据)，但有时我们需要与顾问或研究人员等第三方分享。如果我们只想分享关于我们的数据的一般信息，包括最重要的模式，对象的细节和形状，我们可以使用生成模型来抽样我们的数据示例以与其他人分享。这样我们就不会分享任何确切的机密数据，只是看起来完全像它的东西。

但最好的结果不是获得的代码效率，我们应该记住，通过神经网络获得的表示通常包含有关输入数据的最有用的信息，并且从这个压缩数据我们仍然可以进行分类/回归/聚类。如果我们将“压缩”替换为“加密”，那么这个想法很明确：这是与第三方共享数据而不显示任何数据集的惊人方式。它比匿名甚至假样本生成强得多，可能是下一件大事(当然使用区块链)3.异常检测变分自动编码器(VAE)或GAN等主要生成模型由两部分组成。

5.域迁移(Domainadaptation)我认为，这是最强大的用处之一。在实践中，我们几乎从未拥有相同的数据源来训练模型并在现实世界环境中运行它们。在计算机视觉中，不同的光线条件、相机设置或天气可以使非常准确的模型变得无用。在NLP/语音分析中，俚语或重音会破坏你在“语法正确”上训练的模型的表现。在信号处理中，你很可能拥有完全不同的设备来捕获数据以训练模型和生产。

例如，如果你正在处理应该在某种CCTV摄像机上工作的应用程序，但是你已经在高分辨率图像上训练了你的模型，那么你可以尝试使用GAN来对图像进行去噪处理并对其进行增强。我可以从信号处理领域提供更激进的例子：有很多与手机加速度计数据相关的数据集，描述了不同的人的活动。但是，如果你想在腕带上应用受过手机数据训练的模型，该怎么办?GAN可以尝试帮助你还原不同类型的动作。