شبکه‌های متخاصم مولد (GAN) نوعی از مدل‌های یادگیری عمیق هستند که در سال‌های اخیر به دلیل توانایی آن‌ها در تولید تصاویر، ویدیوها و دیگر انواع داده‌های واقعی، توجه زیادی را به خود جلب کرده‌اند. GAN ها از دو شبکه عصبی، یک ژنراتور و یک تشخیص دهنده تشکیل شده اند که یک بازی دو نفره را انجام می دهند. مولد داده های مصنوعی تولید می کند، در حالی که تمایز دهنده سعی می کند بین داده های واقعی و جعلی تمایز قائل شود. مولد برای تولید خروجی آموزش دیده است که می تواند متمایز کننده را فریب دهد، در حالی که تشخیص دهنده آموزش داده شده است که به درستی بین داده های واقعی و جعلی تمایز قائل شود. با وجود موفقیت، GAN ها بدون چالش نیستند. یکی از مهم ترین چالش ها فروپاشی حالت است.
فروپاشی حالت زمانی اتفاق می افتد که یک GAN به جای کاوش در کل توزیع داده های آموزشی، تنها مجموعه محدودی از نمونه های خروجی را تولید کند. به عبارت دیگر، مولد GAN در یک حالت یا الگوی خاص گیر می کند و قادر به تولید خروجی های متنوعی نیست که کل محدوده داده را پوشش می دهد. این می تواند منجر به تکراری به نظر رسیدن خروجی تولید شده، فاقد تنوع و جزئیات و حتی گاهی اوقات کاملاً نامرتبط با داده های آموزشی شود.
در این مقاله دلایل فروپاشی حالت در GAN ها را توضیح می دهم. دلایل متعددی وجود دارد که باعث می شود خرابی حالت در …