2018년 12월 6일
GAN (Generative Adversarial Networks)
I. 경쟁을 통한 원본 복제 기술, GAN
가. GAN (Generative Adversarial Networks)의 개념
 |
생성자와 판별자 간 복제본 구별 경쟁을 통한 MinMax기반 성능 강화 비지도 학습 기술
나. GAN의 특징
| 준지도 학습 | – 지도학습(구별자) + 비지도학습(생성자) |
| MinMax Problem | – 최소화와 최대화 경쟁 기반 성능 향상 |
II. GAN의 학습과정/수학적 표현 및 구성요소
가. GAN의 학습과정/수학적표현
| 학습과정 | 수학적 표현 |
|---|---|
 – 위조 데이터생성 및 판별 | minGmaxDV(D,G) = logD(x) + log(1-D(G(z))) Discriminator: 엔트로피 최대화 Generator: 엔트로피 최소화 |
나. GAN의 구성요소
| 구분 | 핵심기능 | 설명 |
|---|---|---|
| 구별자 | – 정확도최대화 – Convolution | – 입력 데이터 진위여부 판별 – D(x) = 1, D(G(z)) = 0 |
| 생성자 | – 정확도최소화 -Deconvolution | – 랜덤 노이즈 기반 유사 변환 – data 패턴 모사, D(G(z)) = 1 |
| 학습 데이터(x) | – 샘플 데이터 – 패턴 다양화 | – 모사할 original 샘플 데이터 – Real data, 학습량 기반 |
| 잠재 변수 | – 랜덤 노이즈 – 랜덤 벡터 | – 모사 데이터 생성 벡터 – 데이터 생성 시 입력 |
- 학습을 반복하여 Pg = Pdata가 되어 Discriminator가 구별 불가능한 인 상태로 수렴
III. GAN의 문제점 및 해결 방안
| 문제점 | 해결 방안 |
|---|---|
| – 모드붕괴 및 국부최저문제 – 판별자 학습부진으로 최소극대화 문제 성립 어려움 | – Mini-Batch GAN 사용 – 전체 Batch 모두 확인 – 다양성 부족시 위조 라벨링 |
IV. 다양한 산업에 활용되는 GAN의 응용 기법
| 응용기법 | 특징 | 설명 |
| DCGAN | – 감식자 판정 – 이미지 연산 | – 생성자: Deconvolution Net. – 감식자: Convolution Net. |
| SRGAN | – 8K Display – SRResNet | – 저해상도 → 고해상도 변환 – 이미지 초고해상도 변환 |
| 스택GAN | – 저/고해상도 – 2단계 Net. | – 입력 문자과 단어 해석 – 문자/단어 이미지 생성 |
| Cycle GAN | – Unpaired Training | – 자율적 이미지 스타일 변환 – 모네, 피카소 스타일 유화 |
- GAN은 기초 연구 뿐 아니라 비즈니스 응용 진행중
About The Author
