Generative Artificial Intelligence

Objective & Hypothesis:Can a machine attempt to approach the task of creating unique content that would be indistinguishable from human-produced artefacts?

📊

Key Findings & Data:In generative models, the goal is to generate synthetic samples close to the existing dataset; In other words, it is to learn the distribution from which the samples in a given data set are derived and to generate new samples from this distribution.

💡

Conclusion & Impact:In addition, ethical and legal problems related to GANs are mentioned.

🔬Design:Modeling & Simulation

📍Scope:Comprehensive Sample

⚙️Variables:Üretken Çekişmeli Ağlar · Üretken Çekişmeli Ağların Uygulamaları · Yapay Zekâ

Abstract

Can a machine attempt to approach the task of creating unique content that would be indistinguishable from human-produced artefacts? Is it possible to do this with the help of generative adversarial networks (GANs) by learning the structure of the complex real-world data examples and generating similar synthetic examples that are bound by the same structure? According to the recent advances in the development of generative models, the answer seems to be yes, at least to an extent. In generative models, the goal is to generate synthetic samples close to the existing dataset; In other words, it is to learn the distribution from which the samples in a given data set are derived and to generate new samples from this distribution. In general, since the datasets contain a limited number of samples, it is not always possible to learn the dataset distribution exactly. For this reason, it is tried to model a distribution as similar as possible to the actual data distribution. A comprehensive and inclusive metric is needed to measure the quality of the data produced. In this study, a new method that can help mitigate the effects of small changes and subtle differences in real datasets that can significantly affect the evaluation scores of GANs is mentioned and various applications are made. In addition, ethical and legal problems related to GANs are mentioned.

Özet

Bir makine, insan yapımı eserlerden ayırt edilemeyecek, benzersiz içerikler oluşturabilir mi? Bunu, karmaşık gerçek dünya veri örneklerinin yapısını öğrenerek ve aynı yapıya bağlı benzer sentetik örnekler üreterek, üretken çekişmeli ağların (GAN'lar) yardımıyla yapmak mümkün müdür? Üretken modellerin gelişmesindeki ilerlemelere göre, cevap en azından bir dereceye kadar evet gibi görünüyor. Üretken modellerde hedef, mevcut veri setine yakın sentetik örnekler üretmektir; diğer bir deyişle, verilen bir veri setindeki örneklerin türetildiği dağılımı öğrenip bu dağılımdan yeni örnekler üretmektir. Genel olarak veri setleri sınırlı sayıda örnekler içerdiğinden, her zaman veri seti dağılımını tam olarak öğrenmek mümkün olmamaktadır. Bu nedenle gerçek veri dağılımına mümkün olduğunca benzer bir dağılım modellenmeye çalışılmaktadır. Üretilen verilerin kalitesini ölçmek için kapsamlı ve kapsayıcı bir metriğe ihtiyaç duyulmaktadır. Bu çalışmada, GAN’ların değerlendirme puanlarını önemli ölçüde etkileyebilecek gerçek veri kümelerindeki küçük değişikliklerin ve ince farklılıkların etkilerini hafifletmeye yardımcı olabilecek yeni bir yöntemden bahsedilmiş olup çeşitli uygulamalar yapılmıştır. Ayrıca GAN’lar ile ilgili etik ve hukuki problemlere değinilmiştir.

Keywords

Üretken Çekişmeli Ağlar Üretken Çekişmeli Ağların Uygulamaları Yapay Zekâ Derin Öğrenme Etik Generative Adversarial Networks GANs Applications Ethic Artificial Intelligence Deep Learning

🔖

Cite This Article

GÖZET, M., FİLİZ, U., YILMAZ, A. E. (2023). Generative Artificial Intelligence. International Journal of Multidisciplinary Studies and Innovative Technologies, Cilt: 7 Sayı: 1, 32–40. https://ajindex.com/articles/959555

📄 Full Text PDF Viewer

Open in New Tab ↗

↗New Tab

📄

PDF görüntüleyici hazırlanıyor...

References (9)

Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014).
Generative Adversarial Networks, In Proceedings of the 27th International Conference on Neural Information Processing Systems - (NIPS’14), 2, (pp.2672–2680).
Montreal, Canada, December. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM, 63(11), 139-144.
Xu, L., Zeng, X., Li, W., & Huang, Z. (2020). Multi-granularity generative adversarial nets with reconstructive sampling for image inpainting, Neurocomputing, 402, 220–234. https://doi.org/10.1016/j.neucom.2020.04.011 [ Hedjazi, M. A., & Genc, Y. (2021). Efficient texture-aware multi-GAN for image inpainting, Knowledge-Based Systems, 217, 106789. https://doi.org/10.1016/j.knosys.2021.106789
Babcock, J., & Bali, R. (2021). Generative AI with Python and TensorFlow 2. Birmingham, UK: Packt Publishing. Available:http://blogs.evergreen.edu/cpat/files/2013/05/Computer-Power-and-Human-Reason.pdf (Erişim tarihi: 02.01.2023) Available:https://developers.google.com/machine-learning/gan/generative (Erişim tarihi: 29.12.2022 ) Gatys, L. A., Ecker, A. S., & Bethge, M. (2016). Image style transfer using convolutional neural networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 2414-2423).
Çelik, G. Üretken Ağlar ve Uygulamaları. Türkçe Doktora Tezi. İnönü Üniversitesi Fen Bilimleri Enstitüsü, İnönü, Haziran, 2021. Available: https://github.com/NVlabs/stylegan2 (Erişim tarihi: 10.01.2023)
Wu, Y., Donahue, J., Balduzzi, D., Simonyan, K., & Lillicrap, T. (2019). Logan: Latent optimisation for generative adversarial networks. arXiv preprint arXiv:1912.00953. Available: https://github.com/robbiebarrat/art-DCGAN (Erişim tarihi: 12.01.2023) Available:https://news.mit.edu/2020/rewriting-rules-machine-generated-art-0818 (Erişim tarihi: 13.01.2023)
Liu, G., Reda, F. A., Shih, K. J., Wang, T. C., Tao, A., & Catanzaro, B. (2018). Image inpainting for irregular holes using partial convolutions. In Proceedings of the European conference on computer vision (ECCV) (pp. 85-100).
Ledig, C., Theis, L., Huszár, F., Caballero, J., Cunningham, A., Acosta, A.,. & Shi, W. (2017). Photo-realistic single image super-resolution using a generative adversarial network. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4681-4