딥페이크 검증 신뢰도 향상을 위해 독일 뮌헨공대와 이탈리아 나폴리 페데리코 2세 대학 연구진이 개발한 ‘페이스포렌식++(FaceForensics)’ 데이터와 아마존(AWS), 페이스북, 마이크로소프트 등이 모여 만든 DeepFake detection challenge(DFDC) 데이터 그리고 머니브레인이 자체 수집한 KoDF(Korean deepFake detection dataset)까지 광범위한 데이터를 딥러닝 AI에 분석 학습시켜 해당 데이터에 포함된 딥페이크 영상의 검증률을 99%까지 끌어올렸다.
생성모델(Generative Model) 연구 동향 및 금융에서의 활용 (주기동, 2021.12.8)
첫째, 특정 데이터 세트에 대해 교육을 받으면 원래 데이터의 두드러진 특징을 보여주는 합성 샘플 데이터를 생성하는 방법을 배울 수 있습니다.
둘째, 다른 학습 과제와 비교할 때, 생성 작업은 네트워크가 상대적으로 강력한 내부 데이터 표현을 학습 할 필요가 있다고 가정한다.
최근의 주요한 GAN 응용 분야 는 점점 더 높은 해상도의 이미지 생성, 레이블이 붙은 이미지 쌍이없는 한 도메인에서 다른 도메인으로의 이미지 - 이미지 변환, 적은 수의 레이블이있는 샘플의 이미지 분류 [3] , 예를 들어 기존 이미지의 변형 초 - 해상도의 [4] 또는보다 현실적인 하나로 합성 "장난감 이미지"정제하여 [5]. 이 기사의 범위를 벗어나는 애플리케이션뿐만 아니라 감독 또는 반 감독 (클래스 - 컨디셔닝) 시나리오 (예 : StackGAN, 일부 측면에서는 최첨단 기술 임)에 대한 애플리케이션의 다양성이 점차 다양 해지고 있습니다. 이미지 생성을위한), 도메인 적응 모델 및 이산 변수가있는 모델. GAN은 또한 보강 학습 (RL)과 연결되어 있습니다. 예를 들어, 역 RL에서, 학습 과제는 GAN의 판별자를 학습하는 것과 마찬가지로, 보상 기능 자체를 회복하는 것을 포함한다.
SNN & JNN & GAN+α – 인간의 뇌는 지금의 컴퓨팅처럼 선형/순차(Linear/Serial)나 병렬방식(Parallel)이 아닌
다층적인(Multi-layered) 가소성(Plasticity)이 있어,
뉴런에 불을 붙일 때 고장 난 100개를 우회하거나 점핑할 수도 있고, 과거에는 고장 났지만 다른 기억을 회상할 때에는 다시 살아나 불을 붙일 수 있다.
이러한 신경망을 JNN(Jumping Neural Network) 혹은 SNN(Spiking Neural Network)라고 한다.
따라서 다층적인 가소성의 메커니즘과 JNN or SNN의 메커니즘을 연구하여 3.0 세대에 융합해야 한다. 또한 사람이 직접 인공지능을 지도학습(Supervised Learning) 해 줄 필요가 없이, 서로 다른 인공지능(AI)이 상호 경쟁을 통해 상호 성능을 개선하는 방법인 생성적 적대 신경망(Generative Adversarial Networks•GAN)도 연구하고 또 다른 +α도 지속적으로 연구해서 융합해야한다.
