Waarom is dit belangrijk?
Met een generatief antagonistennetwerk kunnen onderzoekers extra medische beelden maken als echte scans schaars zijn of weinig ziektebeelden bevatten. In de zorg helpt dat bij het trainen van systemen die scans indelen of afwijkingen afbakenen, zonder extra patiëntgegevens te delen. Medewerkers krijgen zo meer oefenmateriaal, maar gemaakte beelden kunnen fouten bevatten en zijn niet altijd betrouwbaar genoeg voor een diagnose.
Zo werkt het in de praktijk
Bij lopende en voorgestelde experimenten van CERN kunnen generatieve antagonistennetwerken simulaties van deeltjesfysica versnellen. Ze kunnen die simulaties ook nauwkeuriger maken. In de farmacie bekijkt Russisch onderzoek het netwerk voor nieuwe molecuulstructuren.
Ian Goodfellow en collega’s aan de Universiteit van Montreal legden in 2014 de basis. Onderzoekers bekijken waarom het netwerk soms maar één soort beeld maakt en de rest mist. Dit heet mode collapse en geldt als een open probleem.
Onderzoekers beoordelen de beelden met de Inception-score en de Fréchet inception distance. De eerste maat toont de variatie, de tweede vergelijkt de beelden met echte voorbeelden. Voor stabielere training maken ze de taak stap voor stap zwaarder, een vorm van curriculum learning.




