人工智能研究的新前線：生成式對抗網絡

劉明明

?

人工智能研究的新前線：生成式對抗網絡

劉明明

武警工程大學密碼工程學院，陜西 西安 710086

得益于計算能力的提高、信息化工具的普及以及數據量的積累，人工智能研究的迫切性和可行性都大為提高，近些年來實現了一系列新突破和新應用，并獲得了可觀的收益。這些企業獲得的成功進一步帶動了機器學習的研究熱度，使得人工智能的研究進入了一個新的高潮時期。對人工智能研究的新方法——生成式對抗網絡進行了分析和研究，為其進一步發展打下堅實的基礎。

生成式對抗網絡；人工智能；研究

引言

近年來，很多學者開始嘗試以對抗網絡進行人工智能方面的研究，而且已成為該領域的研究熱點。該方法是受到運籌學相關理論的影響而逐步形成的，屬于一種全局概率收縮。國內外很多學者都開始在人工智能研究中應用對抗網絡，而且取得的成果也是十分可喜的。然而，由于基于對抗網絡的測試要求全部數據都需要運行，進而實現對測試數據性能的有效分析，這就導致耗費的時間較長[1]。

1 人工智能的發展特征分析

一是信息量大。根據統計，人工智能范疇內每天產生的內容可以制作成2億張光盤。這些人工智能數據表明在互聯網時代，社交網絡和移動互聯網絡已把人們的信息量擴大了很多。人工智能數據的大不僅是信息量大，而且信息也非常全面。很多信息都可以使用計算機來集聚，使其滿足分析的需求。

二是多樣化程度高。目前，人工智能數據類型已經不僅是文本形式，而且存在有大量的圖片、音頻等超文本信息。從結構上來看，人工智能數據的結構變化多樣，很多人工智能數據的結構并不是傳統的結構化人工智能數據，因此需要采用更高效的技術手段和硬件設備來對其進行處理，才能夠更好地讀取這些人工智能數據當中所蘊藏的價值[2]。

三是人工智能數據價值大。網絡每天都會產生大量有價值的信息和一些噪聲信息。這些原始信息中所含的核心內容還是很少的。人們需要在大量的人工智能數據中進行尋找，才能夠找到自己真正需要的。如何采用更好的算法來對其進行人工智能數據的挖掘，將人工智能數據當中有用的信息提取出來是目前人工智能數據研究領域當中非常重要的一個課題[3]。

四是速度快。人工智能數據的產生速度是非常快的，在金融、證券等多個領域，需要及時進行傳輸，需要對其進行較快的處理和分析。信息如果沒有被實時挖掘，就可能成為無效信息。如何采用更有效的算法來傳輸信息是非常關鍵的。提升人工智能數據的處理效率有利于社會的進一步發展。

2 生成式對抗網絡探究

2.1 生成式對抗網絡概述

生成式對抗網絡的主要思想是設置一個零和博弈，通過兩個玩家的對抗實現學習。博弈中的一名玩家稱為生成器，它的主要工作是生成樣本，并盡量使得其看上去與訓練樣本一致。另外一名玩家稱為判別器。生成式對抗網絡的訓練過程類似于偽鈔制造者盡可能地提高偽鈔制作水平以騙過警察，而警察則不斷提高鑒別能力以識別偽鈔。隨著生成式對抗網絡的不斷訓練，偽鈔制造者與警察的能力都會不斷提高[4]。通過整個過程，不斷提升判別器的性能，有利于對圖像文本等信息進行進一步的特征提取與挖掘，使其特征更加清晰地展示出來，從而提升準確率。

2.2 生成式對抗網絡的應用

2.2.1 網絡數據流分析

利用生成式對抗網絡對用戶產生的視頻網絡數據進行科學分析是非常重要的技術。分析網絡數據的前提是保存和挖掘數據流。網絡數據流指的是通過互聯網爬蟲等方式研究網上的主題以及相應的傳播情況。這種技術的主要問題是只有具備較好的準確性，才能夠避免信息的重復和冗雜，同時生成式對抗網絡實時性只有非常好，才能夠更好地捕捉到熱點。對突發事件進行處理，人們很多時候是通過歷史數據來進行數據分析的，但是有時候這樣的分析并不具有科學性，因為很多信息的變化趨勢并不是按照傳統的信息流進行傳遞的，因此需要借助計算機強大的運算力進行優化。

2.2.2 短文本信息挖解決

短文本是受到廣泛關注的信息形式。利用生成式對抗網絡可以獲得大量信息，但很多時候文本中也包含很多垃圾信息，因此用戶產生的一些信息并不都是有必要被采集的，我們需要做好轉文本的分析和挖掘工作。只有排除重要性程度較低的信息，才能高效率地收集與推送信息。通過對抗網絡的逐次逼近來優化策略，越來越接近于實際的需求，這樣就可以得到最優的指標。通常情況是用兩個神經網絡優化控制函數，這樣就能有效地分析文本分析問題中的信息特征。

2.2.3 可視化數據技術

可視化數據非常多。很多媒體在圖像上進行關鍵詞的標注，利用生成式對抗網絡提取圖像的特征，把圖像轉換為文本，也將一些文本轉換為圖像描述。這樣就將數據進行了可視化，對于數據挖掘分析來說是極為關鍵的。可視化數據技術可以融合信息，做到信息較高層次的匹配，使信息的可用程度更強[3]。

2.2.4 工業圖像分析

在以往的工業生產中，超聲波、紅外燈無線傳感器測距定位的方法被廣泛應用于各種工業現場。雖然這種方法經過長時間的廣泛應用技術已十分成熟，但是這種固定線路的測距定位往往十分笨拙，可變性差。近些年來，國內外許多專家學者利用智能裝備，結合生成式對抗網絡的理論和在各個領域的實際應用進行了相關研究，研究成果豐碩。因此在如今的科學技術下，將機器視覺引入工業生產領域已成為可能。通過Python腳本語言編程來實現控制攝像頭聚焦判斷工業設備空間位置信息、提取數據特征和顏色追蹤以及引導火控計算機追蹤物體等功能。這使得OpenCV可以快速獲得圖像信息，并使得生成式對抗網絡定位系統可以得到更多的位置信息，然而在生成式對抗網絡實際應用中，由于工作環境處于室外，從早上開工到下午工作結束環境光強度變化明顯且極易受環境影響。生成式對抗網絡法是一種利用Tag標記粘貼到物體進而判斷物體距離的方法，所以極易因環境光線強度的變化而失效。在實驗過程中，環境光的變化會直接導致黑白像素差的減少，標志位識別出錯。如果貿然將其應用在生成式對抗網絡上，就很可能會定位失敗。因此也可以使用攝像頭可視角度測距法作為環境光較弱時生成式對抗網絡法失效時的替代方案。

3 總結

在生成式對抗網絡的運行中，我們需要解決項目的維護和運行中存在的問題，管理好系統的驗收工作，對系統的運行質量負責。做好整個項目過程中的抗干擾管理，在調研系統需求中就要進行風險識別，提前預測與解決可能出現的問題，以便取得較好的效果。

[1]孫玉強，彭磊，李慧云. 基于循環生成式對抗網絡實現停車場時空數據的修復[J]. 集成技術，2018（6）：1-2.

[2]馮浩. 基于Maximum Mean Discrepancy的生成式對抗網絡研究[D]. 上海：華東師范大學，2018.

[3]尹傳龍. 基于深度學習的網絡異常檢測技術研究[D].鄭州：中國人民解放軍戰略支援部隊信息工程大學，2018.

[4]張衛，馬麗，黃金. 基于生成式對抗網絡的人臉識別開發[J]. 電子世界，2017（20）：164-165.

New Frontiers in Artificial Intelligence Research：Generative Adversarial Networks

Liu Mingming

School of Cryptography, Engineering University of PAP, Shaanxi Xi’an 710086

Thanks to the improvement of computing power，the popularization of information tools and the accumulation of data, the urgency and feasibility of artificial intelligence research has been greatly improved. In recent years, a series of new breakthroughs and new applications have been realized. The success of these companies has further stimulated the research of machine learning, which has brought the research of artificial intelligence to a new climax. The paper analyzes and studies generative adversarial networks, a new method of artificial intelligence research, and lays a solid foundation for its further development.

generative adversarial networks; artificial intelligence; study

TN912.35

A

劉明明（1992—），男，漢族，山東五蓮人，研究生學歷，研究方向為信息隱藏、生成對抗網絡。