تحتوي "شبكة GAN" على عدد من أوضاع الأعطال الشائعة. وجميع هذه المشاكل الشائعة هي مجالات بحث نشط. ومع أنه لم يتم حلّ كلّ هذه المشاكل، نذكر بعض الأمور التي جرّبها المستخدمون.
منحدرات متلاشية
أشارت الأبحاث إلى أنّه إذا كان المُميّز جيدًا جدًا، قد يتعذّر تدريب المنشئ بسبب التلاشي من الألوان. في الواقع، لا يوفّر المُميِّز الأمثل المعلومات الكافية التي يحتاجها المنشئ لتحقيق التقدّم.
محاولات الإصلاح
- فقدان واسرشتاين: تم تصميم فقدان واسرشتاين لمنع تدرُّج الزوايا حتى عندما تدرّب المُبَقِع إلى أقصى حد.
- الحد الأدنى للفقدان المُعدَّل: اقترحت ورقة GAN الأصليةتعديلاً على الحد الأقصى للفقدان في لوحة البيانات للتعامل مع التدرّج المتلاشٍ.
تصغير الوضع
وعادةً ما تريد أن تنتج شبكة GAN إلى مجموعة متنوعة من المخرجات. تريد، على سبيل المثال، وجهًا مختلفًا لكل إدخال عشوائي إلى أداة إنشاء الوجه.
ومع ذلك، إذا كان المولّد ينتج مخرجات قابلة للتطبيق على نحو خاص، يمكن أن يتعلّم المنشئ كيفية إنتاج هذا الإخراج فقط. في الواقع، يحاول المنشئ دائمًا العثور على المخرجات التي تبدو أكثر ملاءمة للمتمييز.
وإذا بدأ المنشئ إنتاج النتائج نفسها (أو مجموعة صغيرة من النتائج) مرارًا وتكرارًا، فإنّ استراتيجية التمييز التي يتّبعها المتخصص في التعلّم هي معرفة استراتيجيات الرفض دائمًا. ولكن إذا حدث عطل من الجيل التالي من التمييز في الحد الأدنى المحلي ولم يعثر على أفضل استراتيجية، سيكون من السهل جدًا على المُنشئ التالي تحقيق الإخراج الأكثر ملاءمة للمتمييز الحالي.
يُحسّن كل تكرّر للمولد تطويره بالنسبة إلى أداة تمييز معيّنة، ولا يتمكّن المتمييز أبدًا من التعرّف على طريقة استبعاده. ونتيجة لذلك، تتولّى المولدات الكهربائية مجموعة صغيرة من أنواع الإخراج. ويُطلق على هذا النوع من الإخفاق في GAN تصغير الوضع.
محاولات الإصلاح
تحاول الأساليب التالية إلزام منشئ المحتوى بتوسيع نطاقه من خلال منعه من تحسين أداة تمييز واحدة:
- فقدان واسرشتاين: يخفف فقدان واسترشتاين من انهيار الوضع عن طريق السماح لك بتدريب التمييز على النحو الأمثل بدون القلق بشأن تدرّج التدرجات. إذا لم يتم تمييز أداة التمييز في الحد الأدنى المحلي، سيتعلم رفض النتائج التي يثبتها المنشئ. لذا، على المنشئ تجربة تجربة جديدة.
- GAN غير المعروضة: تستخدم GAN غير المعروضة وظيفة فقدان للمُنشئ لا تدمج فقط التصنيفات الحالية للمصنّفين، بل أيضًا نتائج إصدارات المُحدِّد المستقبلية. لذلك، لا يمكن للمنشئ استخدام أكثر من أداة تمييز واحدة.
عدم اكتمال التغييرات
غالبًا ما تتعذّر التقاء بيانات GAN، كما تمت مناقشته في وحدة التدريب.
محاولات الإصلاح
حاول الباحثون استخدام أشكال مختلفة من التسوية لتحسين شبكات GAN، بما في ذلك:
- إضافة ضجيج إلى مدخلات التمييز: يمكنك الاطّلاع مثلاً على ضرورة تطبيق إرشادات لأساليب التدريب على إنشاء الشبكات الإعلانية المختلَطة.
- فرض عقوبات على التمييز المتعلّق بالتمييز بين الأفراد: اطّلِع على سبيل المثال، تصحيح التدريب على الشبكات الجماهيرية المخادعة من خلال التنظيم.