Monthly Archives: January 2025

เรียบเรียงโดย นพพณ เลิศชูวงศา แบบจำลองนี้เป็นหนึ่งในแบบจำลองที่ได้รับความสนใจเนื่องจากความสามารถในการสร้างข้อมูลสังเคราะห์คุณภาพสูง ทำให้เป็นพื้นฐานในด้านต่างๆ เช่น การสร้างภาพ การสังเคราะห์เสียง และการเพิ่มพูนข้อมูล   การแตกต่างระหว่าง GANs และแบบจำลองการแพร่กระจาย การฝึกอบรม: GANs อาศัยกรอบการทำงานแบบตัวสร้าง-ตัวแยกแยะ (generator-discriminator framework) โดยที่ตัวสร้างจะสร้างข้อมูลและตัวแยกแยะจะประเมินความถูกต้องของข้อมูล การตั้งค่าแบบปฏิปักษ์นี้อาจจะนำไปสู่ความไม่เสถียร ในทางตรงกันข้ามแบบจำลองการแพร่กระจายใช้กรอบความน่าจะเป็นและหลีกเลี่ยงการฝึกอบรมแบบปฏิปักษ์ ทำให้มีความเสถียรมากกว่าแต่จำเป็นต้องใช้ทรัพยากรและเวลาในการคำนวณมากกว่า หลักการสำคัญของแบบจำลองการแพร่กระจาย หลักการสำคัญของแบบจำลองการแพร่กระจายคือ  การแพร่กระจายไปข้างหน้า (forward diffusion) และการแพร่กระจายย้อนกลับ (reverse diffusion) กระบวนการไปข้างหน้าจะค่อยๆ เพิ่มสัญญาณรบกวน (noise) ให้กับข้อมูล แปลงข้อมูลให้เป็นการกระจายแบบแฝง (latent distribution) ในทางกลับกัน กระบวนการย้อนกลับจะสร้างข้อมูลต้นฉบับขึ้นใหม่โดยการลดสัญญาณรบกวนจากการกระจายนี้ วิธีการสองทิศทางนี้ช่วยให้แบบจำลองการแพร่กระจายเรียนรู้การกระจายข้อมูลที่ซับซ้อนได้อย่างมีประสิทธิภาพ … Continue reading →

เรียบเรียงโดย นพพณ เลิศชูวงศา รูปที่ 1 กระบวนการฝึกอบรม GAN GANs ทำงานผ่านความสมดุลที่ละเอียดอ่อนระหว่างเครือข่ายการสร้าง generator และเครือข่ายการแยกแยะ discriminator   กระบวนการฝึกอบรมสามารถสรุปได้ดังขั้นตอนต่อไปนี้: กระบวนการนี้สามารถมองเห็นได้ว่าเป็นการแข่งขันระหว่าง 2 เครือข่าย   โดยนักปลอมแปลง (เครือข่าย generator) และตำรวจ (เครือข่าย discriminator) นักปลอมแปลงพัฒนาทักษะเพื่อผลิตเงินปลอมที่ไม่สามารถแยกแยะได้ ในขณะที่ตำรวจปรับปรุงวิธีการตรวจจับ  ในรูปที่ 1การแข่งขันแบบปฏิปักษ์นี้ส่งเสริมการปรับปรุงร่วมกัน นำไปสู่ผลลัพธ์ที่สมจริงจากพารามิเตอร์ในเครือข่าย generator(สีม่วง) และการตรวจสอบที่แม่นยำจากเครือข่าย discriminator (สีส้ม) GAN Architectures (สถาปัตยกรรมของ GANs)

เรียบเรียงโดย นพพณ เลิศชูวงศา Generative Adversarial Networks (GANs) เป็นโครงข่ายด้านการเรียนรู้เชิงลึกอย่างหนึ่งที่สร้างการเปลี่ยนแปลงในสังคม   นำเสนอโดย Ian Goodfellow และคณะในปี 2014 การสร้างแบบจำลองแบบกำเนิด GANs ประกอบด้วยเครือข่ายประสาทเทียมสองเครือข่าย ได้แก่ เครือข่ายการสร้าง generator และเครือข่ายการแยกแยะ discriminator ซึ่งแข่งขันกันในเกมหรือสภาพแวดล้อมที่กำหนดขึ้นมา เครือข่าย generator มีเป้าหมายเพื่อสร้างข้อมูลที่สมจริงที่ไม่มีใครสามารถแยกแยะได้  ในทางตรงกันข้ามเครือข่าย discriminator ก็พยายามแยกความแตกต่างระหว่างข้อมูลจริงและข้อมูลที่สร้างขึ้นมาจากเครือข่าย generator     กระบวนการเรียนรู้แบบปฏิปักษ์นี้ขับเคลื่อนให้ทั้งสองเครือข่ายพัฒนาขึ้นพร้อมกันและสร้างผลลัพธ์คุณภาพสูงในงานต่างๆ เช่น การสังเคราะห์ภาพ การสร้างวิดีโอ และการเพิ่มพูนข้อมูล สาระสำคัญของ GANs อยู่ที่ความสามารถในการเรียนรู้การกระจายข้อมูลที่ซับซ้อน   เครือข่าย generator เริ่มต้นจากการป้อนสัญญาณรบกวนแบบสุ่มและค่อยๆ … Continue reading →