Deepfake'in Var Olmasını Sağlayan Teknoloji: Generative Adversarial Networks (GAN)
peşin not
deepfake'in isminde deep vardır çünkü bir deep learning algoritması olan generative adversarial networks kullanır. fake vardır çünkü evet, kendisi fake'tir.
Fake: Sahte.
peki nedir bu gan?
bildiğimiz yapay zeka olayı aslında bu gan teknolojisi. yeni yüzler yaratmada, pix2pix yani resim dönüşüm işlemlerinde, yeni şarkı yaratmada ve daha birçok mükemmel şeyde kullanılıyor.
birazcık detaylandırırsak
gan, 2014'te ian goodfellow ve silah arkadaşları tarafından şu makale ile tanıtıldı. mimarinin içinde 2 farklı model var: generator ve discriminator. generator sürekli yeni data üretmeye çalışır, discriminator ise generator tarafından üretilen datanın gerçek olup olmadığına bakar. zamanla generator sahte data üretmekte uzamanlaşırken discriminator ise sahteyi gerçekten ayırmakta uzmanlaşır. genelde kalpazan-polis örneği verilir konuyu yüksek seviyede anlatmak için.
nasıl ortaya çıktı?
gan, 2014'te ian goodfellow'un başını çektiği kanadalı bir araştırma grubu tarafında ortaya atılan bir fikirdir. ian goodfellow bu fikrin sonucunda 2017'de innovators under 35 seçilenlerden biridir. facebook ai direktörü yann lecun bu fikirden övgüyle bahsetmiştir. fikrin mimari ian goodfellow google brain takımında staff researcher olarak çalışmalarına devam etmektedir.
standart üretici ağlardan ayrıldığı nokta sistemde üreticiye ek bir ayrıştırıcı bulunması ve üreticiden gelen fotoğrafları gerçek ya da sahte olarak ayırmasıdır. bu sayede üretici ağ nasıl daha gerçek görünen fotoğraf üreteceğini öğrenmektedir.
generative adversarial network'ler ya da kısaca gan'ler üretilmesi gereken distribution'u öğrenmeye çalışıp oradan örnekler üretmeye çalışır.
vanilla gan'lar eğitim esnasında stabilite sorunu yaşamaktadır. bu sorunların üstesinden gelmek için wasserstein gan, began gibi fikirler çıkmış ve eğitimi stabilleştirmek için çeşitli yöntemler denenmiştir ve denenmektedir.
birkaç güzel gan makalesi
https://arxiv.org/abs/1611.07004
https://arxiv.org/abs/1612.00005
https://arxiv.org/abs/1703.10593
https://arxiv.org/abs/1511.06434