GermanWikipedia - /page/entry.mu

Micron Document

<!DOCTYPE html>

<title>Generative Adversarial Networks</title>

</head>

<h1 id="firstHeading" class="firstHeading mw-first-heading">Generative Adversarial Networks</h1>

</header>

</div>

<div id="mw-content-text" class="mw-body-content mw-content-ltr" lang="de" dir="ltr"><div class="mw-content-ltr mw-parser-output" lang="de" dir="ltr">Generative Adversarial Networks (GAN, zu deutsch etwa „erzeugende gegnerische Netzwerke“) sind ein Konzept aus dem <a href="Maschinelles_Lernen" title="Maschinelles Lernen">Maschinellen Lernen</a> und beschreiben ein <a href="Framework" title="Framework">Framework</a> für das Training von Netzwerken im Kontext von generativem Lernen bzw. <a href="Un%C3%BCberwachtes_Lernen" title="Unüberwachtes Lernen">unüberwachtem Lernen</a>. Hierbei werden zwei <a href="K%C3%BCnstliches_neuronales_Netz" title="Künstliches neuronales Netz">Netzwerke</a>, der Generator und der Diskriminator gegeneinander trainiert, wobei der Generator versucht Daten zu generieren, die einem ursprünglichen Datensatz sehr ähnlich sind, und der Diskriminator versucht echte und falsche Daten zu unterscheiden. Nach dem Training kann der Generator genutzt werden, um Daten zu generieren, die den ursprünglichen Daten sehr ähnlich sind.

GANs wurden 2014 von der Arbeitsgruppe um Ian Goodfellow vorgestellt<a href="#cite_note-MyUser_Arxiv.org_April_7_2016c-1">[1]</a> und waren ein sehr prominenter Ansatz im generativen Lernen mit vielen Varianten wie z. B. <a href="StyleGAN" title="StyleGAN">StyleGAN</a>. In der aktuellen Forschung wird der GAN-Ansatz oft zusätzlich mit anderen Ansätzen genutzt. So nutzt z. B. <a href="Stable_Diffusion" title="Stable Diffusion">Stable Diffusion</a> eine diskriminative Verlustfunktion im Training der first stage.

<div class="mw-heading mw-heading2"><h2 id="Eigenschaften">Eigenschaften</h2></div>

Generative Adversarial Networks bestehen aus zwei <a href="K%C3%BCnstliches_neuronales_Netz" title="Künstliches neuronales Netz">künstlichen neuronalen Netzwerken</a>, die ein <a href="Nullsummenspiel" title="Nullsummenspiel">Nullsummenspiel</a> durchführen. Eines davon erstellt Kandidaten (der Generator), das zweite neuronale Netzwerk bewertet die Kandidaten (der <a href="Diskrimination" title="Diskrimination">Diskriminator</a>).<a href="#cite_note-MyUser_Arxiv.org_April_7_2016c-1">[1]</a> Typischerweise bildet der Generator von einem Vektor aus <a href="Latentes_Variablenmodell" title="Latentes Variablenmodell">latenten Variablen</a> auf den gewünschten Ergebnisraum ab. Ziel des Generators ist es zu lernen, Ergebnisse nach einer bestimmten <a href="Verteilung_einer_Zufallsvariablen" title="Verteilung einer Zufallsvariablen">Verteilung</a> zu erzeugen. Der Diskriminator wird hingegen darauf trainiert, die Ergebnisse des Generators von den Daten aus der echten, vorgegebenen Verteilung zu unterscheiden. Die Zielfunktion des Generators besteht dann darin, Ergebnisse zu erzeugen, die der Diskriminator nicht unterscheiden kann. Dadurch soll sich die erzeugte Verteilung nach und nach an die echte Verteilung angleichen.

Das Training der beiden Netzwerke erfolgt gleichzeitig. Wie im maschinellen Lernen üblich, wird für das Training ein ausreichend großer Datensatz benötigt, der aus echten Daten besteht. Dieser Datensatz wird nur vom Diskriminator gesehen. Während des Trainings erzeugt der Generator Vektoren im Zielbereich der Daten basierend auf zufällig gewählten <a href="Latentes_Variablenmodell" title="Latentes Variablenmodell">latenten Variablen</a>. Der Diskriminator erhält sowohl die generierten als auch die echten Daten und versucht zu raten aus welcher Gruppe die jeweiligen Daten kommen. In jedem Trainingsschritt werden dann die Gewichte des Diskriminators und des Generators durch <a href="Backpropagation" title="Backpropagation">Backpropagation</a> verbessert, wobei die Verlustfunktion für den Diskriminator ist, wie richtig der Diskriminator die Daten einsortiert hat, und die Verlustfunktion des Generators ist, wie sehr die generierten Daten vom Diskriminator als echte Daten missverstanden wurden. Durch dieses Vorgehen verbessern sich der Diskriminator und der Generator konstant gegenseitig, was bei einer ausreichenden Trainingszeit zu generierten Verteilungen führt, die nicht von echten zu unterscheiden sind.

<div class="mw-heading mw-heading3"><h3 id="Mathematische_Definition">Mathematische Definition</h3></div>

Das ursprüngliche GAN ist als das folgende <a href="Spieltheorie" title="Spieltheorie">Spiel</a> definiert:<a href="#cite_note-MyUser_Arxiv.org_April_7_2016c-1">[1]</a>

<dl><dd>Jeder <a href="Wahrscheinlichkeitsraum" title="Wahrscheinlichkeitsraum">Wahrscheinlichkeitsraum</a> <math xmlns="http://www.w3.org/1998/Math/MathML" alttext="{\displaystyle (\Omega ,\mu _{ref})}">

<msub>

</mrow>

</msub>

</mstyle>

</mrow>

<annotation encoding="application/x-tex">{\displaystyle (\Omega ,\mu _{ref})}</annotation>

</semantics>

</math><img src="./_assets_/eb734a37dd21ce173a46342d1cc64c92/f37076644bc268ce5c2a4c572d85499087f3c366.svg" class="mwe-math-fallback-image-inline mw-invert skin-invert" aria-hidden="true" style="vertical-align: -1.005ex; width:8.567ex; height:3.009ex;" alt="{\displaystyle (\Omega ,\mu _{ref})}" loading="lazy"> definiert ein GAN-Spiel.</dd></dl>

<dl><dd>Es gibt 2 Spieler: Generator und Diskriminator.</dd></dl>

<dl><dd>Die Strategiemenge des Generators ist <math xmlns="http://www.w3.org/1998/Math/MathML" alttext="{\displaystyle {\mathcal {P}}(\Omega )}">

</mrow>

</mstyle>

</mrow>

<annotation encoding="application/x-tex">{\displaystyle {\mathcal {P}}(\Omega )}</annotation>

</semantics>

</math><img src="./_assets_/eb734a37dd21ce173a46342d1cc64c92/b95df45bc7d7faec1a5b88437d4b26b8a16ad108.svg" class="mwe-math-fallback-image-inline mw-invert skin-invert" aria-hidden="true" style="vertical-align: -0.838ex; width:5.191ex; height:2.843ex;" alt="{\displaystyle {\mathcal {P}}(\Omega )}" loading="lazy">, die Menge aller <a href="Wahrscheinlichkeitsma%C3%9F" title="Wahrscheinlichkeitsmaß">Wahrscheinlichkeitsmaße</a> <math xmlns="http://www.w3.org/1998/Math/MathML" alttext="{\displaystyle \mu _{G}}">

<msub>

</mrow>

</msub>

</mstyle>

</mrow>

<annotation encoding="application/x-tex">{\displaystyle \mu _{G}}</annotation>

</semantics>

</math><img src="./_assets_/eb734a37dd21ce173a46342d1cc64c92/dda577f83b0f673b3c59652dfcd8c195b965030f.svg" class="mwe-math-fallback-image-inline mw-invert skin-invert" aria-hidden="true" style="vertical-align: -0.838ex; width:2.926ex; height:2.176ex;" alt="{\displaystyle \mu _{G}}" loading="lazy"> auf <math xmlns="http://www.w3.org/1998/Math/MathML" alttext="{\displaystyle (\Omega )}">

</mstyle>

</mrow>

<annotation encoding="application/x-tex">{\displaystyle (\Omega )}</annotation>

</semantics>

</math><img src="./_assets_/eb734a37dd21ce173a46342d1cc64c92/c095077aff447bdb83ea903f21cc3e633f3f739e.svg" class="mwe-math-fallback-image-inline mw-invert skin-invert" aria-hidden="true" style="vertical-align: -0.838ex; width:3.487ex; height:2.843ex;" alt="{\displaystyle (\Omega )}" loading="lazy">.</dd></dl>

<dl><dd>Die Strategiemenge des Diskriminators ist die Menge der <a href="%C3%9Cbergangskern" title="Übergangskern">Markov-Kerne</a> <math xmlns="http://www.w3.org/1998/Math/MathML" alttext="{\displaystyle \mu _{D}:\Omega \to {\mathcal {P}}[0,1]}">

<msub>

</mrow>

</msub>

</mrow>

</mstyle>

</mrow>

<annotation encoding="application/x-tex">{\displaystyle \mu _{D}:\Omega \to {\mathcal {P}}[0,1]}</annotation>

</semantics>

</math><img src="./_assets_/eb734a37dd21ce173a46342d1cc64c92/dce97271df1c30e57ae96f72c566661f1bae9dad.svg" class="mwe-math-fallback-image-inline mw-invert skin-invert" aria-hidden="true" style="vertical-align: -0.838ex; width:16.58ex; height:2.843ex;" alt="{\displaystyle \mu _{D}:\Omega \to {\mathcal {P}}[0,1]}" loading="lazy">, wobei <math xmlns="http://www.w3.org/1998/Math/MathML" alttext="{\displaystyle {\mathcal {P}}[0,1]}">

</mrow>

</mstyle>

</mrow>

<annotation encoding="application/x-tex">{\displaystyle {\mathcal {P}}[0,1]}</annotation>

</semantics>

</math><img src="./_assets_/eb734a37dd21ce173a46342d1cc64c92/23bc6194efec9e3aaf67b5270e6b8cbc3834d99e.svg" class="mwe-math-fallback-image-inline mw-invert skin-invert" aria-hidden="true" style="vertical-align: -0.838ex; width:6.356ex; height:2.843ex;" alt="{\displaystyle {\mathcal {P}}[0,1]}" loading="lazy"> die Menge der Wahrscheinlichkeitsmaße auf <math xmlns="http://www.w3.org/1998/Math/MathML" alttext="{\displaystyle [0,1]}">

</mstyle>

</mrow>

<annotation encoding="application/x-tex">{\displaystyle [0,1]}</annotation>

</semantics>

</math><img src="./_assets_/eb734a37dd21ce173a46342d1cc64c92/738f7d23bb2d9642bab520020873cccbef49768d.svg" class="mwe-math-fallback-image-inline mw-invert skin-invert" aria-hidden="true" style="vertical-align: -0.838ex; width:4.653ex; height:2.843ex;" alt="{\displaystyle [0,1]}" loading="lazy">.</dd></dl>

<dl><dd>Das GAN-Spiel ist ein <a href="Nullsummenspiel" title="Nullsummenspiel">Nullsummenspiel</a>, mit der Zielfunktion <math xmlns="http://www.w3.org/1998/Math/MathML" alttext="{\displaystyle L(\mu _{G},\mu _{D}):=\mathbb {E} _{x\sim \mu _{ref},y\sim \mu _{D}(x)}[\ln y]+\mathbb {E} _{x\sim \mu _{G},y\sim \mu _{D}(x)}[\ln(1-y)]}">

<msub>

</mrow>

</msub>

<msub>

</mrow>

</msub>

<msub>

</mrow>

<msub>

</mrow>

</msub>

<msub>

</mrow>

</msub>

</mrow>

</msub>

<msub>

</mrow>

<msub>

</mrow>

</msub>

<msub>

</mrow>

</msub>

</mrow>

</msub>

</mstyle>

</mrow>

<annotation encoding="application/x-tex">{\displaystyle L(\mu _{G},\mu _{D}):=\mathbb {E} _{x\sim \mu _{ref},y\sim \mu _{D}(x)}[\ln y]+\mathbb {E} _{x\sim \mu _{G},y\sim \mu _{D}(x)}[\ln(1-y)]}</annotation>

</semantics>

</math><img src="./_assets_/eb734a37dd21ce173a46342d1cc64c92/b55fdfa10ce4725eae7b3b0816b3860e29120b4a.svg" class="mwe-math-fallback-image-inline mw-invert skin-invert" aria-hidden="true" style="vertical-align: -1.338ex; width:59.294ex; height:3.343ex;" alt="{\displaystyle L(\mu _{G},\mu _{D}):=\mathbb {E} _{x\sim \mu _{ref},y\sim \mu _{D}(x)}[\ln y]+\mathbb {E} _{x\sim \mu _{G},y\sim \mu _{D}(x)}[\ln(1-y)]}" loading="lazy"></dd></dl>

<dl><dd>Der Generator zielt darauf ab, das Ziel zu minimieren, und der Diskriminator zielt darauf ab, das Ziel zu maximieren.</dd></dl>

Intuitiv gesprochen, besteht die Aufgabe des Generators darin, sich <math xmlns="http://www.w3.org/1998/Math/MathML" alttext="{\displaystyle \mu _{G}\approx \mu _{ref}}">

<msub>

</mrow>

</msub>

<msub>

</mrow>

</msub>

</mstyle>

</mrow>

<annotation encoding="application/x-tex">{\displaystyle \mu _{G}\approx \mu _{ref}}</annotation>

</semantics>

</math><img src="./_assets_/eb734a37dd21ce173a46342d1cc64c92/148823eaf9f7df04583d3b662626b9bbebb442dc.svg" class="mwe-math-fallback-image-inline mw-invert skin-invert" aria-hidden="true" style="vertical-align: -1.005ex; width:10.07ex; height:2.343ex;" alt="{\displaystyle \mu _{G}\approx \mu _{ref}}" loading="lazy">, d. h., seine eigene Ausgangsverteilung so weit wie möglich an die Referenzverteilung anzugleichen; die Aufgabe des Diskriminators besteht darin, einen Wert nahe 1 auszugeben, wenn die Eingabe aus der Referenzverteilung zu stammen scheint, und einen Wert nahe 0 auszugeben, wenn die Eingabe so aussieht, als stamme sie aus der Generatorverteilung.

<div class="mw-heading mw-heading3"><h3 id="Probleme">Probleme</h3></div>

Die Konvergenz von Generative Adversarial Networks ist im heutigen Stand häufig problematisch<a href="#cite_note-2">[2]</a>. Während des Trainings kann es zu einem Moduskollaps kommen, wodurch der Generator nur noch eine begrenzte Anzahl hinreichend unterschiedlicher Stichproben erzeugt.

Typischerweise sind GANs empfindlich gegenüber der Initialisierung der Gewichte sowie der Hyperparameter.

<div class="mw-heading mw-heading2"><h2 id="Verwendung">Verwendung</h2></div>

GANs wurden unter anderem zur Erstellung <a href="Photorealismus" class="mw-redirect" title="Photorealismus">photorealistischer</a> Bilder zur Visualisierung verschiedener Gegenstände, zur Modellierung von Bewegungsmustern in Videos,<a href="#cite_note-3">[3]</a> zur Erstellung von 3D-Modellen von Objekten aus 2D-Bildern<a href="#cite_note-4">[4]</a> und zur Bildbearbeitung astronomischer Bilder verwendet.<a href="#cite_note-5">[5]</a> GANs werden auch zur natürlichen Gestaltung der Nutzerinteraktion mit Chatbots verwendet.<a href="#cite_note-6">[6]</a> Weiterhin werden GANs in der <a href="Teilchenphysik" title="Teilchenphysik">Teilchenphysik</a> dazu verwendet, zeitaufwendige Detektorsimulationen zu beschleunigen.<a href="#cite_note-7">[7]</a><a href="#cite_note-8">[8]</a>

Des Weiteren können über Tools wie Real-ESRGAN eigene Bilder und Fotos über GANs hochskaliert werden.<a href="#cite_note-9">[9]</a> Abhängig von der Ausgangsstruktur funktioniert die Skalierung besser oder schlechter. Systematische oder geometrische Strukturen können gut hochskaliert werden, diffuse Texturen oder organische Strukturen hingegen bereiten noch Probleme.

GANs kommen zusätzlich im Bereich von verschiedenen Angriffen auf neuronale Netze zum Einsatz. Hierzu zählen unter anderem die Generierung von sogenannten Unrestricted Adversarial Examples<a href="#cite_note-10">[10]</a> oder Model Inversion Attacks<a href="#cite_note-11">[11]</a>, welche versuchen aus einem trainierten Modell Informationen zu den Trainingsdaten bzw. den gelernten Klassen zu extrahieren.

<div class="mw-heading mw-heading2"><h2 id="Geschichte">Geschichte</h2></div>

Die Verwendung kompetitiver neuronaler Netzwerke wurde erstmals 2013 von Wei Li, Melvin Gauci und Roderich Gross vorgeschlagen.<a href="#cite_note-Li-etal-GECCO2013-12">[12]</a> Das Konzept der Generative Adversarial Networks wurde 2014 von <a href="Yoshua_Bengio" title="Yoshua Bengio">Yoshua Bengio</a>, <a href="Ian_Goodfellow" title="Ian Goodfellow">Ian Goodfellow</a>, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair und Aaron Courville entwickelt.<a href="#cite_note-MyUser_Arxiv.org_April_7_2016c-1">[1]</a> In Anlehnung an den <a href="Turing-Test" title="Turing-Test">Turing-Test</a> wird die Methode auch als „Turing-Lernen“ (<a href="Englische_Sprache" title="Englische Sprache">englisch</a> Turing learning) bezeichnet.<a href="#cite_note-TuringLearning2016-13">[13]</a>

<div class="mw-heading mw-heading2"><h2 id="Alternative_Modelle">Alternative Modelle</h2></div>

Variational Autoencoder, Energiebasierte Modelle oder <a href="Normalizing_Flow" class="mw-redirect" title="Normalizing Flow">Normalizing-Flow</a>-basierte Modelle sind alternative generative Modelle.

<div class="mw-heading mw-heading2"><h2 id="Literatur">Literatur</h2></div>

<ul><li>Ian Goodfellow, Yoshua Bengio und Aaron Courville: Deep Learning (Adaptive Computation and Machine Learning), MIT Press, Cambridge (USA), 2016. ISBN 978-0-262-03561-3.</li></ul>

<div class="mw-heading mw-heading2"><h2 id="Einzelnachweise">Einzelnachweise</h2></div>

<li id="cite_note-MyUser_Arxiv.org_April_7_2016c-1">↑ <a href="#cite_ref-MyUser_Arxiv.org_April_7_2016c_1-0">a</a> <a href="#cite_ref-MyUser_Arxiv.org_April_7_2016c_1-1">b</a> <a href="#cite_ref-MyUser_Arxiv.org_April_7_2016c_1-2">c</a> <a href="#cite_ref-MyUser_Arxiv.org_April_7_2016c_1-3">d</a> Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio: <cite style="font-style:italic">Generative Adversarial Nets</cite>. In: <cite style="font-style:italic"><a rel="nofollow" class="external text" href="https://papers.nips.cc/paper/5423-generative-adversarial-nets">NIPS</a></cite>. 2014.<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Generative+Adversarial+Networks&rft.atitle=Generative+Adversarial+Nets&rft.au=Ian%26%2332%3BGoodfellow%2C%26%2332%3BJean%26%2332%3BPouget-Abadie%2C%26%2332%3BMehdi%26%2332%3BMirza%2C+...&rft.btitle=NIPS&rft.date=2014&rft.genre=book" style="display:none">

</li>

<li id="cite_note-2"><a href="#cite_ref-2">↑</a> Mescheder, Lars Geiger, Andreas Nowozin, Sebastian: <cite style="font-style:italic">Which Training Methods for GANs do actually Converge?</cite> 13. Januar 2018, <a href="ArXiv" title="ArXiv">arxiv</a>:<a rel="nofollow" class="external text" href="https://arxiv.org/abs/1801.04406">1801.04406</a>.<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Generative+Adversarial+Networks&rft.au=Mescheder%2C+Lars+Geiger%2C+Andreas+Nowozin%2C+...&rft.btitle=Which+Training+Methods+for+GANs+do+actually+Converge%3F&rft.date=2018-01-13&rft.genre=book" style="display:none">

</li>

<li id="cite_note-3"><a href="#cite_ref-3">↑</a> <a rel="nofollow" class="external text" href="https://github.com/cvondrick/videogan">Generating Videos with Scene Dynamics.</a> In: github.com. Abgerufen im 1. Januar 1<span style="display: none;" class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Adc&rfr_id=info%3Asid%2Fde.wikipedia.org%3AGenerative+Adversarial+Networks&rft.title=Generating+Videos+with+Scene+Dynamics&rft.description=Generating+Videos+with+Scene+Dynamics&rft.identifier=&rft.date=">

</li>

<li id="cite_note-4"><a href="#cite_ref-4">↑</a> <a rel="nofollow" class="external text" href="https://web.archive.org/web/20191027080206/http://3dgan.csail.mit.edu/">3D Generative Adversarial Network.</a> In: 3dgan.csail.mit.edu. Archiviert vom <style data-mw-deduplicate="TemplateStyles:r250917974">

/* start https://de.wikipedia.org/ */

.mw-parser-output .dewiki-iconexternal>a{background-position:center right!important;background-repeat:no-repeat!important}body.skin-minerva .mw-parser-output .dewiki-iconexternal>a{background-image:url("./_mw_/OOjs_UI_icon_external-link-ltr-progressive.svg")!important;background-size:10px!important;padding-right:13px!important}body.skin-timeless .mw-parser-output .dewiki-iconexternal>a,body.skin-monobook .mw-parser-output .dewiki-iconexternal>a{background-image:url("./_mw_/MediaWiki_external_link_icon.svg")!important;padding-right:13px!important}body.skin-vector .mw-parser-output .dewiki-iconexternal>a{background-image:url("./_mw_/Link.ernal-small-ltr-progressive.svg")!important;background-size:0.857em!important;padding-right:1em!important}

/* end https://de.wikipedia.org/ */

</style><a class="external text" href="https://redirecter.toolforge.org/?url=http%3A%2F%2F3dgan.csail.mit.edu%2F">Original</a> am 27. Oktober 2019; abgerufen am 23. Juli 2017 (englisch).<span style="display: none;" class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Adc&rfr_id=info%3Asid%2Fde.wikipedia.org%3AGenerative+Adversarial+Networks&rft.title=3D+Generative+Adversarial+Network&rft.description=3D+Generative+Adversarial+Network&rft.identifier=https%3A%2F%2Fweb.archive.org%2Fweb%2F20191027080206%2Fhttp%3A%2F%2F3dgan.csail.mit.edu%2F&rft.date=&rft.source=http://3dgan.csail.mit.edu/&rft.language=en">

</li>

<li id="cite_note-5"><a href="#cite_ref-5">↑</a> Kevin Schawinski, Ce Zhang, Hantian Zhang, Lucas Fowler, Gokula Krishnan Santhanam: <cite style="font-style:italic">Generative Adversarial Networks recover features in astrophysical images of galaxies beyond the deconvolution limit</cite>. In: <cite style="font-style:italic">Instrumentation and Methods for Astrophysics</cite>. 1. Februar 2017, <a href="ArXiv" title="ArXiv">arxiv</a>:<a rel="nofollow" class="external text" href="https://arxiv.org/abs/1702.00403">1702.00403</a>.<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Generative+Adversarial+Networks&rft.atitle=Generative+Adversarial+Networks+recover+features+in+astrophysical+images+of+galaxies+beyond+the+deconvolution+limit&rft.au=Kevin%26%2332%3BSchawinski%2C%26%2332%3BCe%26%2332%3BZhang%2C%26%2332%3BHantian%26%2332%3BZhang%2C+...&rft.btitle=Instrumentation+and+Methods+for+Astrophysics&rft.date=2017-02-01&rft.genre=book" style="display:none">

</li>

<li id="cite_note-6"><a href="#cite_ref-6">↑</a> Larry Greenemeier: <a rel="nofollow" class="external text" href="https://www.scientificamerican.com/article/when-will-computers-have-common-sense-ask-facebook/">When Will Computers Have Common Sense? Ask Facebook.</a> In: Scientific American. 20. Juni 2016, abgerufen am 31. Juli 2016.<span style="display: none;" class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Adc&rfr_id=info%3Asid%2Fde.wikipedia.org%3AGenerative+Adversarial+Networks&rft.title=When+Will+Computers+Have+Common+Sense%3F+Ask+Facebook&rft.description=When+Will+Computers+Have+Common+Sense%3F+Ask+Facebook&rft.identifier=&rft.creator=Larry%26%2332%3BGreenemeier&rft.date=2016-06-20">

</li>

<li id="cite_note-7"><a href="#cite_ref-7">↑</a> Michela Paganini, Luke de Oliveira, Benjamin Nachman: <cite style="font-style:italic">Learning Particle Physics by Example: Location-Aware Generative Adversarial Networks for Physics Synthesis</cite>. In: <cite style="font-style:italic">Computing and Software for Big Science</cite>. 1. Jahrgang, 2017, S. 4, <a href="Digital_Object_Identifier" title="Digital Object Identifier">doi</a>:<a rel="nofollow" class="external text" href="https://doi.org/10.1007/s41781-017-0004-6">10.1007/s41781-017-0004-6</a>, <a href="ArXiv" title="ArXiv">arxiv</a>:<a rel="nofollow" class="external text" href="https://arxiv.org/abs/1701.05927">1701.05927</a>, <a href="Bibcode" title="Bibcode">bibcode</a>:<a rel="nofollow" class="external text" href="https://ui.adsabs.harvard.edu/abs/2017arXiv170105927D">2017arXiv170105927D</a>.<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Generative+Adversarial+Networks&rft.atitle=Learning+Particle+Physics+by+Example%3A+Location-Aware+Generative+Adversarial+Networks+for+Physics+Synthesis&rft.au=Michela%26%2332%3BPaganini%2C%26%2332%3BLuke%26%2332%3Bde+Oliveira%2C%26%2332%3BBenjamin%26%2332%3BNachman&rft.btitle=Computing+and+Software+for+Big+Science&rft.date=2017&rft.doi=10.1007%2Fs41781-017-0004-6&rft.genre=book&rft.pages=4&rft.volume=1.+Jahrgang" style="display:none">

</li>

<li id="cite_note-8"><a href="#cite_ref-8">↑</a> Martin Erdmann, Jonas Glombitza, Thorben Quast: <cite style="font-style:italic">Precise Simulation of Electromagnetic Calorimeter Showers Using a Wasserstein Generative Adversarial Network</cite>. In: <cite style="font-style:italic">Computing and Software for Big Science</cite>. 3. Jahrgang, 2019, S. 4, <a href="Digital_Object_Identifier" title="Digital Object Identifier">doi</a>:<a rel="nofollow" class="external text" href="https://doi.org/10.1007/s41781-018-0019-7">10.1007/s41781-018-0019-7</a>, <a href="ArXiv" title="ArXiv">arxiv</a>:<a rel="nofollow" class="external text" href="https://arxiv.org/abs/1807.01954">1807.01954</a>.<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Generative+Adversarial+Networks&rft.atitle=Precise+Simulation+of+Electromagnetic+Calorimeter+Showers+Using+a+Wasserstein+Generative+Adversarial+Network&rft.au=Martin%26%2332%3BErdmann%2C%26%2332%3BJonas%26%2332%3BGlombitza%2C%26%2332%3BThorben%26%2332%3BQuast&rft.btitle=Computing+and+Software+for+Big+Science&rft.date=2019&rft.doi=10.1007%2Fs41781-018-0019-7&rft.genre=book&rft.pages=4&rft.volume=3.+Jahrgang" style="display:none">

</li>

<li id="cite_note-9"><a href="#cite_ref-9">↑</a> <a rel="nofollow" class="external free" href="https://github.com/xinntao/Real-ESRGAN/">https://github.com/xinntao/Real-ESRGAN/</a>

</li>

<li id="cite_note-10"><a href="#cite_ref-10">↑</a> Yang Song, Rui Shu, Nate Kushman, Stefano Ermon: <cite style="font-style:italic">Constructing Unrestricted Adversarial Examples with Generative Models</cite>. In: <cite style="font-style:italic">Advances in Neural Information Processing Systems 31: Annual Conference on Neural Information Processing Systems 2018</cite>. S. 8322--8333 (<a rel="nofollow" class="external text" href="https://proceedings.neurips.cc/paper/2018/file/8cea559c47e4fbdb73b23e0223d04e79-Paper.pdf">neurips.cc</a> [PDF; abgerufen am 9. Juni 2022]).<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Generative+Adversarial+Networks&rft.atitle=Constructing+Unrestricted+Adversarial+Examples+with+Generative+Models&rft.au=Yang+Song%2C+Rui+Shu%2C+Nate+Kushman%2C+...&rft.btitle=Advances+in+Neural+Information+Processing+Systems+31%3A+Annual+Conference++on+Neural+Information+Processing+Systems+2018&rft.genre=book&rft.pages=8322--8333" style="display:none">

</li>

<li id="cite_note-11"><a href="#cite_ref-11">↑</a> Lukas Struppek, Dominik Hintersdorf, Antonio De Almeida Correia, Antonia Adler, Kristian Kersting: <cite style="font-style:italic">Plug & Play Attacks: Towards Robust and Flexible Model Inversion Attacks</cite>. In: <cite style="font-style:italic">Proceedings of the 39th International Conference on Machine Learning (ICML)</cite>. 2022 (<a rel="nofollow" class="external text" href="https://arxiv.org/pdf/2201.12179.pdf">arxiv.org</a> [PDF; abgerufen am 9. Juni 2022]).<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Generative+Adversarial+Networks&rft.atitle=Plug+%26+Play+Attacks%3A+Towards+Robust+and+Flexible+Model+Inversion+Attacks&rft.au=Lukas+Struppek%2C+Dominik+Hintersdorf%2C+Antonio+De+Almeida+Correia%2C+...&rft.btitle=Proceedings+of+the+39th+International+Conference+on+Machine+Learning+%28ICML%29&rft.date=2022&rft.genre=book" style="display:none">

</li>

<li id="cite_note-Li-etal-GECCO2013-12"><a href="#cite_ref-Li-etal-GECCO2013_12-0">↑</a> Wei Li, Melvin Gauci und Roderich Gross: A Coevolutionary Approach to Learn Animal Behavior Through Controlled Interaction. In: Proceedings of the 15th Annual Conference on Genetic and Evolutionary Computation (GECCO 2013) Amsterdam, 6. Juli 2013, S. 223–230. <a href="Digital_Object_Identifier" title="Digital Object Identifier">doi</a>:<a rel="nofollow" class="external text" href="https://doi.org/10.1145/2463372.2465801">10.1145/2463372.2465801</a>

</li>

<li id="cite_note-TuringLearning2016-13"><a href="#cite_ref-TuringLearning2016_13-0">↑</a> Wei Li, Melvin Gauci, Roderich Groß: <cite style="font-style:italic">Turing learning: a metric-free approach to inferring behavior and its application to swarms</cite>. In: <cite style="font-style:italic">Swarm Intelligence</cite>. 10. Jahrgang, Nr. 3, 30. August 2016, S. 211–243, <a href="Digital_Object_Identifier" title="Digital Object Identifier">doi</a>:<a rel="nofollow" class="external text" href="https://doi.org/10.1007/s11721-016-0126-1">10.1007/s11721-016-0126-1</a>.<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rfr_id=info:sid/de.wikipedia.org:Generative+Adversarial+Networks&rft.atitle=Turing+learning%3A+a+metric-free+approach+to+inferring+behavior+and+its+application+to+swarms&rft.au=Wei%26%2332%3BLi%2C%26%2332%3BMelvin%26%2332%3BGauci%2C%26%2332%3BRoderich%26%2332%3BGro%C3%9F&rft.date=2016-08-30&rft.doi=10.1007%2Fs11721-016-0126-1&rft.genre=journal&rft.issue=3&rft.jtitle=Swarm+Intelligence&rft.pages=211-243&rft.volume=10.+Jahrgang" style="display:none">

</li>

</ol></div><div><div class="zim-footer">

Dieser Artikel wurde von <a class="external text" title="Zuletzt bearbeitet am 2025-05-09" href="https://de.wikipedia.org/wiki/?title=Generative_Adversarial_Networks&oldid=255859661">Wikipedia</a> herausgegeben. Der Text ist unter <a class="external text" href="https://creativecommons.org/licenses/by-sa/4.0/deed.de">Creative Commons Attribution-Share Alike 4.0</a> verfügbar, sofern nicht anders angegeben. Für die Mediendateien können zusätzliche Bedingungen gelten.

</div>

</div></div>

</div>

</main>

</div>

</body></html>