知识卡片
生成与判别相互训练
生成式对抗网络把两项任务连接起来:生成器提出人工样本,鉴别器区分真实与生成样本,双方在训练中相互影响。这个机制可用于学习数据分布并提出候选,但训练不保证稳定到达理想平衡。样本看起来像训练资料,只回答分布相似性问题,不能替代真实性、合成可行性或实际功能评价。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 人工智能在药物发现和开发中的应用 化学表示与生成的评价对象 · 查看原书依据
生成式对抗网络由两个组件组成,一个生成器和一个鉴别器,它们在模型训练过程中相互竞争。生成器构建一组人工数据,鉴别器试图将其与真实数据区分开来。生成器模块以潜在点作为输入,然后输出图像(带有像素数据)。模型训练直到鉴别器无法区分所提出的“假”数据和真实数据为止。对于变分自编码器,编码器执行生成器的任务。然后可以使用解码器对具有压缩表征的编码潜在空间进行采样,将其映射回分子表征。
参考来源
- 位置:《人工智能与计算生物的未来 (【美】布赖恩·希尔布什)》人工智能在药物发现和开发中的应用;extracted/人工智能与计算生物的未来 (【美】布赖恩·希尔布什)/_epub-src/EPUB/xhtml/Section08.xhtml
- 结论依据:原文对对象、组成与用途的实质定义;概念边界与治疗效果分开。
- 原始内容:生成式对抗网络由两个组件组成,一个生成器和一个鉴别器,它们在模型训练过程中相互竞争。生成器构建一组人工数据,鉴别器试图将其与真实数据区分开来。生成器模块以潜在点作为输入,然后输出图像(带有像素数据)。模型训练直到鉴别器无法区分所提出的“假”数据和真实数据为止。对于变分自编码器,编码器执行生成器的任务。然后可以使用解码器对具有压缩表征的编码潜在空间进行采样,将其映射回分子表征。