Понимание алгоритмов GAN, используемых в Deepfakes

Deepfake относится к использованию технологии искусственного интеллекта для синтеза лица конкретного человека в конкретном видео. В апреле 2018 года миру стало известно видео бывшего президента США Барака Обамы с критикой президента Дональда Трампа.  

Технология Deepfake позволяет воспроизводить не только выражение конкретного человека, но и жест и голос. Алгоритм ИИ, применяемый к Deepfakes, — это генеративная состязательная сеть (GAN). 

Давайте посмотрим на Гана поближе.

Генеративная антагонистическая нейронная сеть (GAN) состоит из двух нейронных сетей.

Он состоит из генератора и дискриминатора. Здесь, если создатель имитирует шаблон фактического контента и создает поддельный контент, учащийся учится таким образом, который определяет подлинность контента. 

Для проведения обучения требуются данные об обучении. Данные обучения GAN означают реальные данные, которые конструктор должен эмулировать. Например, если вы учите модель рисовать лицо человека, вам нужно изображение лица человека. 

Лицевые данные три.

Учиться очень просто. Нет необходимости в том, чтобы человек настраивал ответ, например, маркировал класс каждой информации, как проблему классификации. Поскольку обучение GAN имеет характер обучения без учителя, вам просто нужно ввести данные, которые вы хотите эмулировать. Две нейронные сети конкурируют за обучение. Это потому, что они соревнуются друг с другом и учатся друг у друга, поэтому и называется слово враждебность. В результате в процессе обучения отражается эволюция двух нейронных сетей по мере того, как они анализируют различия и учатся друг у друга.

Конструктор обучается с целью имитации шаблонов данных обучения, чтобы свести к минимуму точность дискриминатора. По умолчанию входом в конструктор является случайный шум, а выходом являются данные с рисунком, похожим на данные обучения. То есть конструктор усваивает функцию, которая преобразует случайный шум в шаблон, похожий на данные обучения.

Дискриминатор обучается определять, являются ли данные, предоставленные вводом, реальными данными, содержащимися в данных обучения, являются ли они поддельными данными, созданными конструктором, и максимизировать вероятность успеха определения. Другими словами, дискриминатор берет реальные или поддельные данные и выводит вероятностное значение реальных данных. 

Существующая технология ИИ, Дискриминационная модель, была моделью, которая была обучена отвечать на заданный вопрос, такой как распознавание объектов или распознавание лиц. GAN широко используются в области синтеза изображений, потому что они могут генерировать или воссоздавать новые изображения. Тем не менее, знаменитости часто используются для таких преступлений, как подделка, которая синтезирует лица людей вокруг них, что вызвало несколько этических дебатов.

Однако GAN используется не только в области синтеза изображений. GAN могут широко использоваться в различных областях, и исследования модели GAN активно проводятся в научных кругах. В частности, при патентном анализе можно использовать враждебные методы обучения для создания моделей, устойчивых к шуму.