شبکه های ژنتیکی مولد تخاصمی

شبکه های مولد تخاصمی (GANs) جز پیشرفته ترین روش های تولید داده به شمار می روند و برای تولید نمونه با استفاده از داده های واقعی موثر هستند. هر چقدر که وظایف مدل های مولد پیچیده تر می شود، GANs موجود با چالش های یادگیری جدیدی مانند عدم ثبات و فروپاشی حالت مواجه می شوند. اغلب GANs موجود از یک تابع هدف مشخص برای آموزش بهره می گیرند، با این وجود برخی از کارهای پیشین، مفهوم تکامل را در تابع برازندگی در پیش گرفته اند که به یادگیری پایدار GAN و بهبود کارایی منجر می شود. در این شبکه ها جمعیتی از تولید کننده ها در نظر گرفته شده و توسط یک تابع هدف جامع ارزیابی می شوند و سپس بهترین فرزندان برای سنجش تفکیک کننده استفاده می شوند. در این مقاله شبکه ژنیتکی مولد تخاصمی (G۲AN) پیشنهاد می گردد که در آن شبکه های تولید کننده تکامل ساختاری پیدا می کنند. رویکرد تکاملی پیشنهادی که شامل اعمال جهش و برش بر روی تولید نسل های شبکه ی تولید کننده می باشد، سبب بهبود مشکل فروپاشی حالت، سرعت همگرایی می شود. همچنین مزیت دیگر این روش، برقراری تعادل بهتر بین شبکه ی تولید کننده و تفکیک کننده است. برای بررسی عملکرد شبکه ی پیشنهادی، آزمایشی روی مجموعه داده تصویر MNIST انجام می شود. همان گونه که مشاهده می شود، G۲AN نسبت به GAN بهبود قابل ملاحظه ای در تنوع داده ها و سرعت همگرایی دارد.

کلیدواژه ها:

شبکه های مولد تخاصمی ، محاسبات تکاملی ، همگرایی ، فروپاشی حالت ، جهش و برش