Casos de uso de redes adversarias generativas

Las redes antagónicas generativas (GAN) son las más populares para generar imágenes a partir de un conjunto de datos determinado de imágenes, pero aparte de eso, las GAN ahora se utilizan para una variedad de aplicaciones. Estas son una clase de redes neuronales que tienen un bloque discriminador y un bloque generador que funcionan juntos y pueden producir nuevas muestras además de clasificar o predecir la clase de muestra. 

Algunos de los casos de uso recientemente descubiertos de GAN son: 

Seguridad: 
la inteligencia artificial ha demostrado ser una gran ayuda para muchas industrias, pero también está rodeada por el problema de las amenazas cibernéticas. Se ha demostrado que las GAN son de gran ayuda para manejar los ataques de los adversarios. Los ataques adversarios utilizan una variedad de técnicas para engañar a las arquitecturas de aprendizaje profundo. Al crear ejemplos falsos y entrenar al modelo para identificarlos, contrarrestamos estos ataques. 

Generación de datos mediante GAN: 
los datos son la clave más importante para cualquier algoritmo de aprendizaje profundo. En general, cuantos más datos hay, mejor es el rendimiento de cualquier algoritmo de aprendizaje profundo. Pero en muchos casos, como los diagnósticos de salud, la cantidad de datos está restringida, en tales casos, existe la necesidad de generar datos de buena calidad. Para los que se utilizan las GAN. 

Preservación de la privacidad: 
hay muchos casos en los que nuestros datos deben mantenerse confidenciales. Esto es especialmente útil en aplicaciones militares y de defensa. Tenemos muchos esquemas de cifrado de datos, pero cada uno tiene sus propias limitaciones, en tal caso, las GAN pueden ser útiles. Recientemente, en 2016, Google abrió un nuevo camino de investigación sobre el uso del marco competitivo GAN para problemas de encriptación, donde dos redes tenían que competir para crear el código y descifrarlo. 

Manipulación de datos: 
podemos usar GAN para la transferencia de pseudo estilo, es decir, modificar una parte del tema, sin una transferencia de estilo completa. Por ejemplo, en muchas aplicaciones, queremos agregar una sonrisa a una imagen, o simplemente trabajar en la parte de los ojos de la imagen. Esto también se puede extender a otros dominios, como el procesamiento del lenguaje natural, el procesamiento del habla, etc. Por ejemplo, podemos trabajar en algunas palabras seleccionadas de un párrafo sin modificar todo el párrafo.