GAN
Bagian 3 · Deep generative model
| Istilah | Arti |
|---|---|
| generative adversarial network | Kerangka pembelajaran mesin yang berisi dua model saling bersaing, yaitu generator dan discriminator, untuk menghasilkan data sintetis yang realistis. |
| generator | Model yang mengubah noise acak menjadi sampel data baru, dengan tujuan menipu discriminator agar hasilnya terlihat asli. |
| discriminator | Model yang menilai apakah sebuah sampel berasal dari data asli atau hasil generator, lalu mengeluarkan probabilitas keasliannya. |
| minimax | Strategi permainan dua pemain yang saling berlawanan, di mana satu pihak memaksimalkan hasil sementara pihak lain meminimalkannya. |
| Nash equilibrium | Kondisi ketika tidak ada pemain yang bisa mengurangi kerugiannya dengan mengubah strateginya sendiri selama lawan tetap diam. |
| mode collapse | Kegagalan ketika generator hanya menghasilkan sedikit keluaran yang mirip, padahal distribusi data aslinya punya banyak ragam. |
| loss function | Fungsi yang mengukur seberapa jauh hasil model dari target, sehingga nilainya dipakai untuk memperbarui parameter saat pelatihan. |
| noise distribution | Distribusi acak sederhana, biasanya Gaussian atau normal, yang menjadi titik awal generator sebelum dipetakan ke ruang data. |
| target distribution | Distribusi sebenarnya dari data dunia nyata yang ingin ditiru model, dilambangkan P star dalam video ini. |
| convergence | Kondisi ketika proses pelatihan berhenti berubah dan parameter model mencapai titik stabil yang diharapkan. |
| generative model | Model yang mempelajari distribusi data sehingga mampu membuat sampel baru yang mirip dengan data latihnya. |
| binary classification | Tugas mengelompokkan data ke dalam dua kelas, misalnya asli atau palsu, yang dikerjakan discriminator dalam video ini. |
Video ini menjelaskan Generative Adversarial Network, atau GAN, yaitu kerangka pembelajaran mesin untuk membuat data sintetis yang sangat realistis, mulai dari gambar sampai suara. Pembicara membuka dengan analogi pemalsu uang dan polisi: pemalsu terus belajar membuat uang yang makin mirip aslinya, sementara polisi belajar membedakannya. Masalah utama yang coba dijawab adalah bagaimana melatih model generatif ketika fungsi probabilitas yang sebenarnya sulit dihitung, karena integral normalisasinya tidak punya bentuk analitis. GAN menghindari masalah itu dengan cara tidak langsung. Penting bagi penonton karena GAN menjadi dasar banyak sistem pembuat konten sintetis, sehingga memahami cara kerjanya membantu kita menilai kelebihan dan keterbatasannya.
Isi video dimulai dari generative modeling, yaitu upaya mengoptimalkan parameter Theta agar distribusi model P Theta mendekati distribusi target P star dari data. GAN memetakan noise dari distribusi sederhana pz, biasanya Gaussian, ke ruang data melalui generator G. Discriminator D menerima sebuah sampel dan mengeluarkan probabilitas bahwa sampel itu asli. Kedua model dilatih dengan tujuan yang berlawanan, sehingga membentuk permainan minimax dua pemain. Pembicara menurunkan discriminator optimal D star, lalu menunjukkan bahwa dengan discriminator optimal, tujuan generator setara dengan meminimalkan divergensi Jensen-Shannon, yang bernilai nol saat PG sama dengan P star. Dalam praktik, video menyebut tiga masalah pelatihan: vanishing gradient saat discriminator terlalu bagus, non-konvergensi, dan mode collapse. Solusi yang disebut meliputi mini-batch discrimination, serta mengatur jumlah langkah discriminator dan generator atau learning rate masing-masing.
Kata kunci
- GAN
- generator
- discriminator
- mode collapse
- Menjelaskan GAN lewat analogi pemalsu uang melawan polisi: generator melawan discriminator.
- Menurunkan loss discriminator dan generator serta kondisi optimalnya (minimax, Nash equilibrium).
- Mengenali masalah pelatihan GAN seperti mode collapse dan sulitnya konvergensi.
Tulis catatan pribadimu untuk modul ini. Catatan tersimpan di akunmu dan bisa dibuka dari perangkat mana pun.