生成对抗网络（GAN），最早由Ian Goodfellow等提出。 2014年，它已成为生成建模（尤其是图像合成）最有前途的方法之一。在最基本的形式上，它们由两个“竞争”网络组成：一个生成器试图生成类似于给定数据分布的数据（例如图像），以及一个鉴别器来预测其输入来自真实数据分布还是来自真实数据分布。生成器，它指导生成器生成越来越逼真的样本，因为它学会了更有效地“欺骗”鉴别器。本讲座讨论了这些模型背后的理论，优化模型所涉及的困难以及对基本框架的理论和经验改进。它还讨论了该框架在其他问题公式（例如CycleGAN），领域（例如视频和语音合成）及其在表示学习中的用途（例如VAE-GAN混合，双向GAN）的最新应用）。

注意：本次演讲原本是该系列中的11号广告。

在此处下载幻灯片：
https://storage.googleapis.com/deepmind-media/UCLxDeepMind_2020/L9%20-%20UCLxDeepMind%20DL2020.pdf

在此处了解有关DeepMind如何增加科学获取机会的更多信息：
https://deepmind.com/about#access_to_science

演讲者简介：

Jeff Donahue是DeepMind的深度学习团队的研究科学家，目前专注于对抗性生成模型和无监督的表示学习。他曾在BigGAN，BigBiGAN，DVD-GAN和GAN-TTS项目中工作。他完成了博士学位。在加州大学伯克利分校，致力于视觉表示学习，其项目包括DeCAF，R-CNN和LRCN，这是将深度视觉表示转移到传统计算机视觉任务（例如物体检测和图像字幕）的最早应用。在伯克利工作期间，他还共同领导了Caffe深度学习框架的开发，该框架于2017年获得了Mark Everingham奖，以表彰其对计算机视觉社区的贡献。

Mihaela Rosca是DeepMind的研究工程师，也是UCL的博士生，专注于生成模型研究和概率建模，从变异推理到生成对抗网络和强化学习。加入DeepMind之前，她曾在Google工作，使用深度学习解决自然语言处理任务。她拥有伦敦帝国理工学院的计算机工程学士学位。

关于讲座系列：

深度学习讲座系列是DeepMind与UCL人工智能中心之间的合作。在过去的十年中，深度学习已发展成为领先的人工智能范式，使我们能够以前所未有的准确性和规模从原始数据中学习复杂的功能。深度学习已应用于对象识别，语音识别，语音合成，预测，科学计算，控制等问题。由此产生的应用程序触动了我们在医疗保健和医学研究，人机交互，通信，运输，保护，制造以及许多其他人类努力领域中的一生。认识到这一巨大影响，深度学习的先驱获得了2019年图灵奖，这是计算机领域的最高荣誉。

在本系列讲座中，来自领先的AI研究实验室DeepMind的研究科学家针对深度学习中的一系列令人兴奋的主题进行了12次讲座，内容涵盖了通过围绕记忆，注意力和生成建模的先进思想来训练神经网络的基础知识，以及重要的负责任的创新主题。