<mark id="oztn4"></mark>
0
雷鋒網AI科技評論按：近日，DeepMind 發表的一篇博客中提到了一種新的人工智能體，它可以推斷數字，角色和肖像的構造方式。更為關鍵的是，它們是自己學會做這件事，而不是靠人工標記的數據集。
真實的世界并不僅僅是我們眼睛里所反映的圖像。例如，當我們看建筑物并欣賞其設計的復雜性時，我們也欣賞它所需的工藝。這種思維方式可以使我們對世界有更加豐富的理解，也是人類智慧的重要體現之一。
DeepMind 的研究員希望它們的系統也能創造出同樣豐富的世界表現形式。例如，觀察繪畫的圖像時，希望系統能了解用于創建繪畫的筆觸，而不僅僅是表現在屏幕上的像素。
在這項工作中，研究員為人造智能體（agents）配備了與人類用來生成圖像相同的工具，并證明它們可以推斷數字，人物和肖像的構造方式。更關鍵的是，它們是自學如何做到這一點，而不是通過人為標簽的數據集。這與最近的一項研究「A Neural Representation of Sketch Drawings」提到的依賴從人類經驗中學習的方式恰恰相反。依賴于人類經驗的學習通常是很耗時的。
研究員設計了一個可以與計算機繪畫程序交互的深度強化學習智能體，將筆觸放在數字畫布上并更改畫筆大小，壓力和顏色，未經訓練的智能體畫筆很隨意，并沒有明顯的意圖或結構。為了克服這一點，研究員需要創建一種獎勵方式，鼓勵 agents 生成有意義的圖片。
為此，研究員訓練了第二個神經網絡，稱之為鑒別器。它唯一目的是預測特定圖形是由 agents 制作的，還是從真實照片的數據集中采樣的。agents 的獎勵是通過「欺騙」鑒別者認為它的繪畫是真實的。換句話說，agents 的獎勵信號本身就是學習的。雖然這與生成對抗網絡（GAN）中使用的方法類似，但并不相同。因為 GAN 網絡設置中的生成器通常是直接輸出像素的神經網絡。而這里的 agents 是通過編寫圖形程序來與繪圖環境交互來生成圖像。
在第一組實驗中，agents 通過訓練生成類似于 MNIST 數字的圖像：它顯示了數字的樣子，但沒有顯示它們是如何繪制的。通過嘗試生成欺騙鑒別器的圖像，agents 學會控制畫筆并操縱它以適應不同數字的風格，這是一種稱為可視化程序合成的技術。
研究員也訓練它重現特定圖像的能力。在這里，鑒別器的目的是確定再現圖像是否是目標圖像的副本，或者是否由 agents 產生。鑒別器越難區分，agents 得到的獎勵就越多。
最重要的是，這個框架也是可以解釋的，因為它產生了一系列控制模擬畫筆的動作。這意味著該模型可以將其在模擬繪圖程序中學到的知識應用到其他類似環境中的字符重建中，例如用在仿造的或真實的機械臂上。
還有可能將這個框架擴展到真實的數據集。agents 經過訓練可以繪制名人臉部表情，能夠捕捉到臉部的主要特征，例如形狀，色調和發型，就像街頭藝術家在使用有限數量的畫筆描繪肖像時一樣：
從原始感受中提取信息結構化表示是人類很容易擁有并經常使用的能力。在這項工作中，研究員表明可以通過讓智能體獲得和人類重現世界的相同工具來指導智能體產生類似的表示。在這樣做時，它們學會制作可視化程序，簡潔地表達因果關系，提升了它們的觀察力。盡管該工作目前僅代表了向靈活的程序合成邁出一小步，但預計需要類似的技術才能使智能體具有類似人的認知，包括歸納概括和溝通交流等能力。
相關論文：Synthesizing Programs for Images using Reinforced Adversarial Learning
雷鋒網編譯
via DeepMind
雷鋒網原創
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
