مهدی جاماسب خلاری - دانشجوی دکتری، دانشکده مهندسی کامپیوتر- دانشگاه یزد- یزد- ایران
ولی درهمی - استاد، دانشکده مهندسی کامپیوتر- دانشگاه یزد - یزد- ایران
مهدی یزدیان دهکردی - استادیار، دانشکده مهندسی کامپیوتر- دانشگاه یزد - یزد- ایران

مدل های مولد سعی می کنند توزیع احتمالی که مشابه با توزیع داده های دیده شده باشد را به دست آورند. برای این کار دو راه حل در سال های اخیر ارائه شده است؛ یکی کمینه کردن واگرایی (فاصله) بین دو توزیع ازطریق بیشینه کردن باند پایین تغییراتی و دیگری کاهش ضمنی فاصله بین دو توزیع ازطریق فرآیندهای تخاصمی. یکی از مشکلات موجود در شبکه های تخاصمی مولد، فروافتادگی حالت است. فروافتادگی حالت به موضوعی گفته می شود که مدل مولد به ازای مقادیر ورودی متفاوت و پراکنده، نمونه های با پراکندگی کم یا حتی نمونه های مشابه به هم تولید می کند. این مقاله با ارائه روشی با عنوان شبکه های مولد تخاصمی تغییراتی سعی در مقابله با فروافتادگی حالت و همچنین، تولید داده های طبیعی تر دارد. این روش با استفاده از خودرمزگذارهای تغییراتی، شبکه های تخاصمی مولد را مقدار دهی اولیه می کند. به بیان دیگر، علاوه بر اینکه باند پایین تغییراتی را بیشینه می کند، فاصله بین دو توزیع را به صورت ضمنی کاهش می دهد. نتایج تجربی نشان می دهند این روش توانسته است بهتر از روش های موجود با مشکل فروافتادگی حالت مقابله کند. همچنین، در تحلیل کیفی براساس نظرسنجی از ۱۳۶ فرد در رابطه با واقعی بودن تصاویر تولیدشده نشان داده شد روش پیشنهادی تصاویر مشابه تری به واقعیت نسبت به روش پایه تولید کرده است.

استنباط تغییراتی, شبکه های تخاصمی مولد, فروافتادگی حالت, یادگیری ماشینی, یادگیری عمیق