Comprensión de algoritmos GAN usados en Deepfakes

Deepfake se refiere al uso de la tecnología de IA para sintetizar la cara de una persona en particular en un vídeo en particular. En abril de 2018, un video del ex presidente estadounidense Barack Obama criticando al presidente Donald Trump se hizo conocido por el mundo.  

La tecnología Deepfake permite no sólo la expresión de una persona en particular, sino también el gesto y la voz para ser replicado. El algoritmo de IA aplicado a los profundos movimientos es la Red Adversarial Generativa (GAN). 

Echemos un vistazo más de cerca a Gan.

La red neural generativa antagonista (GAN) está compuesta por dos redes neuronales.

Está compuesto por un generador y un discriminador. Aquí, si un creador imita un patrón de contenido real y crea contenido falso, el alumno aprende de una manera que determina la autenticidad del contenido. 

Se necesitan datos de entrenamiento para realizar la capacitación. Los datos de aprendizaje de GAN significan los datos reales que el constructor tiene que emular. Por ejemplo, si enseñas un modelo para dibujar la cara de una persona, necesitas una imagen de la cara de una persona. 

Datos de cara tres.

Aprender es simple. No es necesario que una persona establezca una respuesta, como etiquetar la clase de cada dato, como un problema de clasificación. Debido a que el aprendizaje GAN tiene la naturaleza del aprendizaje no supervisado, sólo tiene que introducir los datos que desea emular. Las dos redes neuronales compiten por el aprendizaje. Esto se debe a que compiten entre sí y aprenden entre sí, por lo que la palabra hostilidad se llama. Como resultado, la evolución de dos redes neuronales mientras analizan las diferencias y aprenden entre sí se refleja en el proceso de aprendizaje.

El constructor está entrenado con el objetivo de imitar patrones de aprendizaje de datos para minimizar la precisión del discriminador. Por defecto, la entrada al constructor es ruido aleatorio, y la salida es datos con un patrón similar a los datos de aprendizaje. Es decir, el constructor aprende una función que convierte el ruido aleatorio en un patrón similar a los datos de aprendizaje.

Se enseña al discriminador a determinar si los datos proporcionados por la entrada son datos reales contenidos en los datos de aprendizaje, si son datos falsos creados por el constructor, y a maximizar la probabilidad de éxito de la determinación. En otras palabras, el discriminador toma datos reales o falsos y produce un valor de probabilidad de datos reales. 

La tecnología de IA existente, el Modelo Discriminativo, fue un modelo que fue entrenado para responder a una pregunta determinada, como el reconocimiento de objetos o el reconocimiento facial. En cambio, los GAN son ampliamente utilizados en el campo de la síntesis de imágenes porque pueden generar o recrear nuevas imágenes. Sin embargo, las celebridades se utilizan a menudo para crímenes como la falsificación que sintetizan los rostros de las personas a su alrededor, que ha provocado varios debates éticos.

Sin embargo, GAN no sólo se utiliza en el campo de la síntesis de imágenes. Los GAN pueden ser utilizados ampliamente en una variedad de campos, y la investigación sobre el modelo GAN se está llevando a cabo activamente en el mundo académico. En particular, si hace análisis de patentes, puede utilizar métodos de aprendizaje hostiles para crear modelos resistentes al ruido.