Sintetizando as entradas preferenciais para neurônios em redes neurais por meio de redes geradoras profundas

As redes neurais profundas (DNNs) demonstraram resultados de ponta em muitas tarefas de reconhecimento de padrões, especialmente em problemas de classificação de visão. Compreender o funcionamento interno de tais cérebros computacionais é tanto uma ciência básica fascinante, interessante por si só — de forma semelhante ao motivo pelo qual estudamos o cérebro humano —, quanto permitirá que os pesquisadores aprimorem ainda mais as DNNs. Um dos caminhos para compreender como uma rede neural funciona internamente é estudar o que cada um de seus neurônios aprendeu a detectar. Um desses métodos é chamado de maximização de ativação (AM), que sintetiza uma entrada (por exemplo, uma imagem) que ativa fortemente um neurônio. Aqui, aprimoramos dramaticamente o estado da arte qualitativo da maximização de ativação ao aproveitar um prior aprendido e poderoso: uma rede geradora profunda (DGN). O algoritmo (1) gera imagens sintéticas qualitativamente de ponta que parecem quase reais, (2) revela as características aprendidas por cada neurônio de maneira interpretável, (3) generaliza bem para novos conjuntos de dados e razoavelmente bem para diferentes arquiteturas de rede sem exigir que o prior seja reaprendido, e (4) pode ser considerado um método generativo de alta qualidade (neste caso, gerando imagens inéditas, criativas, interessantes e reconhecíveis).