Generative Adversarial Networks, un nouveau paradigme pour l'entraînement d'ANN
Details
Titre :
Les Generative Adversarial Networks, un nouveau paradigme pour l'entraînement des réseaux de neurones
Résumé :
Cet exposé traitera de ce que Yann LeCun a récemment appelé le "plus gros progrès en Machine Learning de ces dix dernières années". Il s'agit des Generative Adversarial Networks [1] : une méthode datant de 2014 inspirée de la théorie des jeux pour entraîner conjointement deux réseaux antagonistes. L'un des réseaux cherche à générer de la manière la plus crédible possible des données pour qu'elles ressemblent aux données d'entraînement, l'autre cherche à détecter le plus précisément possible si les données qu'on lui présente ont été générées ou sont tirées des données d'entraînement. Le premier réseau va donc devoir tromper le deuxième : ils sont en opposition. Ce framework est très puissant et a donné d'excellents résultats dans plusieurs domaines que nous aborderons pendant la présentation. C'est aussi un domaine de recherche extrêmement actif. Nous aborderons en particulier un papier récent qui a énormément amélioré la qualité des entraînements des GANs [2].
Bio :
Hugo Mougard était récemment en thèse à l'Université de Nantes.
Lecture :
[1] http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf
Generative Adversarial Networks, un nouveau paradigme pour l'entraînement d'ANN