Cyclic adversarial framework with implicit autoencoder and wasserstein loss (CAFIAWL)

Perceptronun icadından bu yana Yapay Sinir Ağları (NN) birçok araştırmacının ilgisini çekmektedir. Teknolojik gelişmeler özellikle son on yılda ilgiyi (dolayısıyla ilerlemeyi) daha da hızlandırmış olan yüksek hesaplama gücünün ve muazzam miktarda verinin önünü açtı. Bugün itibariyle NN'ler, farklı makine öğrenmesi uygulamasının ana motoru olarak merkezi bir rol oynamaktadır. Makine öğrenmesiyle bilgiye dayalı karar vermek değil, aynı zamanda daha önce hiç görülmemiş, yeni bir şey "yaratmak" da çok çekici bir araştırma alanıdır. Üretken (Generative) modeller, bu hedefe hitap edebilecek ve sonunda "hesaplamalı yaratıcılığa" yol açabilecek en umut verici modeller arasındadır. Son zamanlarda Varyasyonel Otomatik Kodlayıcılar (VAE) ve Generative Adversarial Networks (GAN), yüksek performanslarıyla ilgi çekmektedirler. Bununla birlikte, VAE'lerin geleneksel biçimleri, çıktıların kalitesi açısından sorunlar yaşarken, GAN'lar üretilen çıktıların çeşitliliğini sınırlayan bir sorun, yani mod çöküşü sorunu, açısından sıkıntılar yaşamaktadır. Her iki algoritmanın bu zayıf yönlerini ortadan kaldırmayı hedefleyen bir bakış açısı, bu algoritmaların güçlü yönlerini alırken zayıflıklarından kaçınacak hibrit modeller geliştirmektir. Bu araştırmada, yeni bir üretken model öneriyoruz. Önerilen model, dört adet çekişmeli (adversarial) ağdan oluşmaktadır. Çekişmeli ağlardan ikisi geleneksel GANs'a çok benzerken, diğer ikisi temelinde Wasserstein ölçütünün hesaplanmasının yer aldığı WGAN'dir. Bu dört adet çekişmeli ağın bir araya getirilme şekli, önerilen modele iki tane de örtük otomatik kodlayıcıyı dâhil ederek mod çöküşü sorununu da en aza indirecek şekilde döngüsel bir çerçeve sağlamaktadır. Önerilen modelin performansı MNIST verileri kullanılarak çeşitli yönlerden değerlendirilmiştir. Analiz, önerilen modelin iyi kalitede çıktı ürettiğini ve bu arada mod çöküşü sorununu ortadan kaldırdığını göstermektedir.