2019-04-27 17:36:51
برای آشنایی بیشتر با رویکرد تاریخیگرای هگلی در هوش مصنوعی، که در جلسه هفتم ذیل نقد رویکرد کانتی معرفی، و در جلسه هشتم مورد بحث و بررسی بیشتر قرار گرفت، میتوانید مقالات زیر را مطالعه نمایید:
- این مقالهی اثرگذار با بیش از ۸۰۰۰ بار ارجاع، مقالهی اصلی Generative Adversarial Network است که در آن برای نخستین بار، این چارچوب به عنوان یک مدل یادگیرندهی Unsupervised برای تولید نمونههای شبهواقعی و با جزئیات بالا از توزیعهای پیچیده، به کار گرفته شده است:
Generative Adversarial Nets; Ian J. Goodfellow et al. 2014:
https://arxiv.org/pdf/1406.2661
- این نوشتار نیز، مرجع اصلی آموزشی GAN است که در سال 2016 در کنفرانس NIPS برای معرفی این فریمورک استفاده شد، و پس از آن برای آشنایی با GAN ها بسیار مورد رجوع قرار گرفت:
NIPS 2016 Tutorial: Generative Adversarial Networks; Ian Goodfellow:
https://arxiv.org/pdf/1701.00160
- این مقاله یکی از نمونههای درخشان در امتداد ایدهی GAN هاست، که در آن با بیشینه کردن اطلاعات متقابل (mutual) بین Latent Variable ها (در اینجا GAN’s noise variables) و Observation ها، نتورک تشویق به یادگیری بازنمودهای معنادار و تفسیرپذیر شده است. این تغییر و نتیجهی آن، دستاوردهای عملی بسیار قابل توجهی در حوزهی Generation داشته است:
InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets; Xi Chen et al. 2016:
https://arxiv.org/pdf/1606.03657
@AIParadigms
1.6K viewsedited 14:36