GAN คืออะไร? อธิบายโครงข่ายปฏิปักษ์ก่อกำเนิดสำหรับมือใหม่
GAN (Generative Adversarial Network) หรือโครงข่ายปฏิปักษ์ก่อกำเนิด คือสถาปัตยกรรมปัญญาประดิษฐ์ที่ใช้โครงข่ายประสาทสองตัวแข่งขันกัน ตัวหนึ่งสร้างข้อมูลปลอม อีกตัวคอยแยกว่าข้อมูลไหนจริงข้อมูลไหนปลอม จนในที่สุดตัวสร้างก็สร้างผลลัพธ์ที่แยกจากของจริงได้ยาก แนวคิดนี้เสนอโดย Ian Goodfellow และคณะในปี 2014 และจัดเป็นหนึ่งในโมเดลสร้างข้อมูลของ การเรียนรู้เชิงลึก
GAN มักใช้สร้างภาพ ใบหน้า และเสียง และเป็นรากฐานของงาน AI สร้างเนื้อหา หลายรูปแบบ
แนวคิดเรื่องการแข่งขัน
ลองนึกถึงช่างปลอมแปลงภาพกับผู้เชี่ยวชาญพิสูจน์ภาพ ช่างปลอมพยายามวาดภาพให้เหมือนจริงที่สุด ส่วนผู้เชี่ยวชาญคอยจับผิด ทุกครั้งที่ถูกจับได้ ช่างปลอมก็แก้ไขงานให้ดีขึ้น เมื่อเวลาผ่านไป ภาพปลอมก็สมจริงขึ้นเรื่อย ๆ GAN ทำงานในลักษณะเดียวกันผ่านโครงข่ายสองตัว
- ตัวสร้าง (Generator): รับสัญญาณสุ่มแล้วสร้างข้อมูลปลอม เช่น ภาพ
- ตัวจำแนก (Discriminator): รับทั้งข้อมูลจริงและข้อมูลปลอม แล้วทำนายว่าชิ้นไหนเป็นของจริง
ทั้งสองตัวเป็นโครงข่ายประสาทเทียม ที่ถูกปรับค่าพร้อมกัน แต่มีเป้าหมายตรงข้ามกัน
ขั้นตอนการทำงาน
- ตัวสร้างเริ่มจากสัญญาณสุ่มและสร้างตัวอย่างปลอม
- ตัวจำแนกเห็นตัวอย่างจริงปะปนกับตัวอย่างปลอมแล้วให้คะแนนความน่าจะเป็นว่าเป็นของจริง
- ระบบคำนวณความผิดพลาดของแต่ละฝ่าย
- ตัวจำแนกถูกปรับให้แยกของปลอมเก่งขึ้น ส่วนตัวสร้างถูกปรับให้หลอกตัวจำแนกได้ดีขึ้น
- ทำซ้ำหลายรอบจนกว่าตัวจำแนกจะแยกได้ยากและให้คะแนนของจริงกับของปลอมใกล้เคียงกัน
เกมค่าต่ำสุด–สูงสุด
การฝึก GAN อธิบายได้ด้วยเกมที่ผลประโยชน์รวมเป็นศูนย์ ตัวสร้างพยายามทำให้ตัวจำแนกเข้าใจผิด ส่วนตัวจำแนกพยายามจำแนกให้ถูก ในสภาวะสมดุลทางทฤษฎี ตัวสร้างจะสร้างข้อมูลที่แจกแจงใกล้เคียงข้อมูลจริง และตัวจำแนกจะไม่สามารถแยกความแตกต่างได้อย่างน่าเชื่อถือ
GAN เทียบกับโมเดลสร้างข้อมูลแบบอื่น
| ด้าน | GAN | Autoencoder |
|---|---|---|
| เป้าหมาย | สร้างข้อมูลใหม่ที่เหมือนจริง | บีบอัดและสร้างข้อมูลกลับมา |
| โครงสร้าง | สองตัวแข่งขันกัน | ตัวเข้ารหัสและตัวถอดรหัส |
| การสุ่ม | สร้างจากสัญญาณสุ่มได้โดยตรง | มักต้องเพิ่มกลไกการสุ่ม |
| การฝึก | เสถียรภาพทำได้ยากกว่า | ฝึกได้ค่อนข้างตรงไปตรงมา |
สำหรับภาพสมัยใหม่ โมเดล diffusion ก็เป็นอีกทางเลือกที่นิยมและมักให้คุณภาพสูง
การใช้งานที่พบบ่อย
- สร้างภาพและงานศิลปะ รวมถึงงาน คอมพิวเตอร์วิชัน
- สร้างใบหน้าและตัวละครสังเคราะห์
- เพิ่มความคมชัดหรือเติมส่วนที่ขาดของภาพ
- แปลงภาพสไตล์หนึ่งเป็นอีกสไตล์หนึ่ง
- สร้างเสียงและวิดีโอสังเคราะห์
ความท้าทาย
- ภาวะยุบตัวของโหมด (mode collapse): ตัวสร้างวนสร้างตัวอย่างหน้าตาคล้ายกันไม่กี่แบบแทนที่จะครอบคลุมข้อมูลหลายรูปแบบ
- การฝึกไม่เสถียร: หากตัวจำแนกเก่งเกินไป ตัวสร้างจะได้รับสัญญาณที่เป็นประโยชน์น้อยลง
- จริยธรรมและการหลอกลวง: ภาพหรือวิดีโอปลอมที่สมจริงอาจถูกนำไปใช้ในทางที่ทำให้เข้าใจผิด จึงต้องมีการเปิดเผยว่าเป็นข้อมูลสังเคราะห์
คำถามที่พบบ่อย
GAN คืออะไร สรุปสั้น ๆ? เป็นโครงข่ายสองตัวที่แข่งขันกัน ตัวหนึ่งสร้างข้อมูลปลอม อีกตัวคอยแยกของจริงกับของปลอม จนตัวสร้างสร้างผลลัพธ์ที่ดูสมจริง
ตัวสร้างกับตัวจำแนกต่างกันอย่างไร? ตัวสร้างสร้างข้อมูลจากสัญญาณสุ่มและพยายามหลอก ส่วนตัวจำแนกประเมินว่าข้อมูลแต่ละชิ้นน่าจะเป็นของจริงหรือของปลอม
GAN ใช้ทำอะไรได้บ้าง? ใช้สร้างภาพ ใบหน้า งานศิลปะ เสียง วิดีโอ และช่วยปรับปรุงหรือเติมเต็มภาพ
มอดคอลแลปส์คืออะไร? คือปัญหาที่ตัวสร้างสร้างตัวอย่างซ้ำ ๆ แค่ไม่กี่รูปแบบ ทำให้โมเดลไม่ครอบคลุมความหลากหลายของข้อมูลจริง
GAN ต่างจาก diffusion อย่างไร? GAN ใช้สองโครงข่ายแข่งขันและสร้างผลลัพธ์ในขั้นเดียว ส่วน diffusion ค่อย ๆ ขจัดสัญญาณรบกวนหลายขั้น และมักให้ภาพคุณภาพสูงแต่ใช้เวลามากกว่า
ขั้นตอนถัดไป
เพื่อให้เห็นภาพรวม ควรอ่านเรื่อง การเรียนรู้เชิงลึกคืออะไร และ โครงข่ายประสาทเทียมคืออะไร จากนั้นจึงศึกษาแนวคิดของ autoencoder และโมเดล diffusion ต่อไป ซึ่งเป็นอีกสองวิธีสร้างข้อมูลที่นิยมนำมาเปรียบเทียบกับ GAN
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free