شبکه‌های ژنتیکی مولد تخاصمی

شبکه‌های مولد تخاصمی (gans) جزء پیشرفته‌ترین روش‌های تولید داده به‌شمار می‌روند و برای تولید نمونه با استفاده از داده‌های واقعی موثر هستند. هرچقدر که وظایف مدل‌های مولد پیچیده‌تر می‌شود، gans موجود با چالش‌های یادگیری جدیدی مانند عدم ثبات و فروپاشی حالت مواجه می‌شوند. اغلب gans موجود از یک تابع هدف مشخص برای آموزش بهره می‌گیرند، با این وجود برخی از کارهای پیشین، مفهوم تکامل را در تابع برازندگی در پیش گرفته‌اند که به یادگیری پایدار gan و بهبود کارایی منجر می‌شود. در این شبکه‌ها جمعیتی از تولیدکننده‌ها در نظر گرفته شده و توسط یک تابع هدف جامع ارزیابی می‌شوند و سپس بهترین فرزندان برای سنجش تفکیک‌کننده استفاده می‌شوند. در این مقاله شبکه ژنیتکی مولد تخاصمی (g2an) پیشنهاد می گردد که در آن شبکه‌های تولیدکننده تکامل ساختاری پیدا می‌کنند. رویکرد تکاملی پیشنهادی که شامل اعمال جهش و برش بر روی تولید نسل‌های شبکه‌ی تولیدکننده می‌باشد، سبب بهبود مشکل فروپاشی حالت، سرعت همگرایی می‌شود. هم‌چنین مزیت دیگر این روش، برقراری تعادل بهتر بین شبکه-ی تولیدکننده و تفکیک‌کننده است. برای بررسی عملکرد شبکه‌ی پیشنهادی، آزمایشی روی مجموعه داده تصویر mnist انجام می‌شود. همان‌گونه که مشاهده می‌شود، g2an نسبت به gan بهبود قابل ملاحظه‌ای در تنوع داده‌ها و سرعت همگرایی دارد.