| TAZ-TFG-2023-3753 |
Redes Adversarias aplicadas a ciencias.
Tajada Ferrer, Miguel
Martín Moreno, Luis (dir.)
Universidad de Zaragoza,
CIEN,
2023
Graduado en Matemáticas
Resumen: Estamos ante una de las mayores revoluciones vividas en las u ́ltimas d ́ecadas. La irrupci ́on de la inteligencia artificial abre un nuevo paradigma que transformar ́a la sociedad en la que vivimos. Tras los lanzamientos realizados por la empresa OpenAI durante los u ́ltimos an ̃os, los modelos generativos se han abierto paso como unos de los m ́as relevantes en el ́ambito de redes neuronales. Este proyecto nace con la intenci ́on de entender los fundamentos de las redes neuronales y c ́omo funcionan las Redes Generativas Antag ́onicas (GANs), una de las arquitecturas de redes neuronales m ́as usadas en el ́ambito generativo.
El presente trabajo se centra en realizar un an ́alisis profundo y detallado sobre estas redes, desglosando meticulosamente en cada secci ́on las principales ideas tanto te ́oricas como pr ́acticas, facilitando una comprensi ́on completa de la materia y poniendo de manifiesto el potencial de esta arquitectura en escenarios del mundo real. En una primera instancia, se asientan las bases te ́oricas. En la secci ́on introductoria a las redes neuronales, se desgranan tres elementos cruciales: la arquitectura subyacente que da forma a estas estructuras com- putacionales, el papel vital del descenso del gradiente en la optimizaci ́on, y el uso estrat ́egico de las funciones de activaci ́on para modelar complejidades intr ́ınsecas. Seguidamente, se particulariza al caso de las GAN, donde se exponen de forma detallada las din ́amicas de en- trenamiento. Adicionalmente, se desarrollan mejoras como las DCGAN y WGAN que ser ́an empleadas en la secci ́on pr ́actica para obtener resultados muy prometedores. Concretamente, se discuten tres problemas de tres ramas diferentes del conocimiento.
En la primera aplicaci ́on detallada en el cap ́ıtulo 4, se explora en profundidad la uti- lizaci ́on de las GANs en el ́ambito de la generaci ́on de secuencias de ADN, centrando la atencio ́n especialmente en la segmentaci ́on de secuencias del COVID. Esta secci ́on inicia con la construcci ́on y visualizaci ́on del conjunto de datos que ser ́a utilizado, permitiendo una comprensi ́on clara y detallada de la estructura de los datos con los que se est ́a tra- bajando. Posteriormente, se sumerge en las arquitecturas espec ́ıficas de los generadores y discriminadores, explicando de qu ́e manera estos elementos clave operan y colaboran para producir resultados significativos. A continuaci ́on, el texto desentran ̃a el procedimiento de entrenamiento de la red, dando una visi ́on detallada del proceso que ayuda a configurar y afinar la red para lograr los resultados deseados. Finalmente, se realiza un an ́alisis de los resultados obtenidos, destacando tanto los ́exitos como las ́areas potenciales de mejora.
La segunda secci ́on de la secci ́on pr ́actica detalla c ́omo a partir de una GAN es posible generar im ́agenes. La principal novedad es la incorporaci ́on de redes convolucionales, una estrategia que ha demostrado ser notablemente eficaz en el tratamiento y an ́alisis de datos bidimensionales. Tras explicar c ́omo generar un dataset con im ́agenes con cierta estructura pero asumibles para un modelo sencillo, se describe la novedosa arquitectura de las redes, tanto del generador como del discriminador. En esta ocasi ́on destaca la posibilidad de vi- sualizar c ́omo el generador va mejorando las im ́agenes mostradas a lo largo del proceso de entrenamiento, not ́andose de forma evidente el aprendizaje.
Finalmente, la u ́ltima aplicaci ́on detalla la exploraci ́on de una simulaci ́on del modelo 2D Ising utilizando Wasserstein GANs (WGANs), una clase avanzada de GANs que su- pera desaf ́ıos encontrados en las GANs tradicionales, principalmente en lo que respecta a la convergencia y estabilidad durante el entrenamiento. El modelo de Ising trata de describir fen ́omenos de transiciones de fase, especialmente en el contexto de sistemas ferromagn ́eticos, donde las interacciones entre part ́ıculas adyacentes (o espines) se modelan en una red bidi- mensional. La construcci ́on detallada y la visualizaci ́on del conjunto de datos marcan el inicio de esta secci ́on, donde se hace uso de los conocimientos adquiridos en f ́ısica estad ́ıstica. Seguidamente, tras describir la arquitectura del generador y discriminador, se subrayan los
Miguel Tajada Ferrer
Tajada Ferrer
matices intr ́ınsecos a las WGAN, as ́ı como las modificaciones que han de hacerse para mejo- rar su convergencia. Finalizando la secci ́on, se lleva a cabo una evaluaci ́on t ́ecnica de los resultados, demostrando con m ́etricas cuantitativas la eficacia de las WGANs en la simu- laci ́on del modelo 2D Ising; concretamente, con el estudio de la magnetizaci ́on en funci ́on de la temperatura. Por u ́ltimo, se destaca la inclusi ́on de estrategias para futuras mejoras, con especial ́enfasis en la aplicaci ́on de una bu ́squeda grid search, una t ́ecnica que busca encontrar los hiperpar ́ametros ́optimos para el modelo tratado.
Como conclusi ́on de este proyecto, se destaca la exploraci ́on a fondo las Redes Generati- vas Antag ́onicas (GANs), desgranando tanto sus aspectos fundamentales como las recientes mejoras t ́ecnicas que ampl ́ıan su eficacia y campo de aplicaci ́on. Iniciando con una clara introducci ́on a las redes neuronales, hemos asentado una base firme para comprender las evoluciones recientes en el ́ambito de las GANs, incorporando avances sustanciales como las GANs convolucionales (DCGANs) y las WGANs. Cada subsecci ́on de la investigaci ́on no solo detalla las metodolog ́ıas aplicadas y los desaf ́ıos encontrados, sino que tambi ́en pro- porciona una evaluaci ́on detallada de los resultados logrados, uniendo con eficacia teor ́ıa y pr ́actica en el an ́alisis de la aplicaci ́on de estas redes en situaciones pr ́acticas. Los resultados son prometedores, especialmente en la generaci ́on de im ́agenes detalladas y la replicaci ́on de comportamientos macrosc ́opicos, tal como se observa en la secci ́on del modelo de Ising, donde demuestran el potencial significativo de las GANs. El reto principal ha sido el hallar la combinaci ́on ideal de hiperpar ́ametros, lo cual sugiere futuras l ́ıneas de trabajo, donde se ex- ploren t ́ecnicas m ́as avanzadas para afinar au ́n m ́as el rendimiento, superando las limitaciones actuales debido a los altos requerimientos computacionales.
El presente trabajo se centra en realizar un an ́alisis profundo y detallado sobre estas redes, desglosando meticulosamente en cada secci ́on las principales ideas tanto te ́oricas como pr ́acticas, facilitando una comprensi ́on completa de la materia y poniendo de manifiesto el potencial de esta arquitectura en escenarios del mundo real. En una primera instancia, se asientan las bases te ́oricas. En la secci ́on introductoria a las redes neuronales, se desgranan tres elementos cruciales: la arquitectura subyacente que da forma a estas estructuras com- putacionales, el papel vital del descenso del gradiente en la optimizaci ́on, y el uso estrat ́egico de las funciones de activaci ́on para modelar complejidades intr ́ınsecas. Seguidamente, se particulariza al caso de las GAN, donde se exponen de forma detallada las din ́amicas de en- trenamiento. Adicionalmente, se desarrollan mejoras como las DCGAN y WGAN que ser ́an empleadas en la secci ́on pr ́actica para obtener resultados muy prometedores. Concretamente, se discuten tres problemas de tres ramas diferentes del conocimiento.
En la primera aplicaci ́on detallada en el cap ́ıtulo 4, se explora en profundidad la uti- lizaci ́on de las GANs en el ́ambito de la generaci ́on de secuencias de ADN, centrando la atencio ́n especialmente en la segmentaci ́on de secuencias del COVID. Esta secci ́on inicia con la construcci ́on y visualizaci ́on del conjunto de datos que ser ́a utilizado, permitiendo una comprensi ́on clara y detallada de la estructura de los datos con los que se est ́a tra- bajando. Posteriormente, se sumerge en las arquitecturas espec ́ıficas de los generadores y discriminadores, explicando de qu ́e manera estos elementos clave operan y colaboran para producir resultados significativos. A continuaci ́on, el texto desentran ̃a el procedimiento de entrenamiento de la red, dando una visi ́on detallada del proceso que ayuda a configurar y afinar la red para lograr los resultados deseados. Finalmente, se realiza un an ́alisis de los resultados obtenidos, destacando tanto los ́exitos como las ́areas potenciales de mejora.
La segunda secci ́on de la secci ́on pr ́actica detalla c ́omo a partir de una GAN es posible generar im ́agenes. La principal novedad es la incorporaci ́on de redes convolucionales, una estrategia que ha demostrado ser notablemente eficaz en el tratamiento y an ́alisis de datos bidimensionales. Tras explicar c ́omo generar un dataset con im ́agenes con cierta estructura pero asumibles para un modelo sencillo, se describe la novedosa arquitectura de las redes, tanto del generador como del discriminador. En esta ocasi ́on destaca la posibilidad de vi- sualizar c ́omo el generador va mejorando las im ́agenes mostradas a lo largo del proceso de entrenamiento, not ́andose de forma evidente el aprendizaje.
Finalmente, la u ́ltima aplicaci ́on detalla la exploraci ́on de una simulaci ́on del modelo 2D Ising utilizando Wasserstein GANs (WGANs), una clase avanzada de GANs que su- pera desaf ́ıos encontrados en las GANs tradicionales, principalmente en lo que respecta a la convergencia y estabilidad durante el entrenamiento. El modelo de Ising trata de describir fen ́omenos de transiciones de fase, especialmente en el contexto de sistemas ferromagn ́eticos, donde las interacciones entre part ́ıculas adyacentes (o espines) se modelan en una red bidi- mensional. La construcci ́on detallada y la visualizaci ́on del conjunto de datos marcan el inicio de esta secci ́on, donde se hace uso de los conocimientos adquiridos en f ́ısica estad ́ıstica. Seguidamente, tras describir la arquitectura del generador y discriminador, se subrayan los
Miguel Tajada Ferrer
Tajada Ferrer
matices intr ́ınsecos a las WGAN, as ́ı como las modificaciones que han de hacerse para mejo- rar su convergencia. Finalizando la secci ́on, se lleva a cabo una evaluaci ́on t ́ecnica de los resultados, demostrando con m ́etricas cuantitativas la eficacia de las WGANs en la simu- laci ́on del modelo 2D Ising; concretamente, con el estudio de la magnetizaci ́on en funci ́on de la temperatura. Por u ́ltimo, se destaca la inclusi ́on de estrategias para futuras mejoras, con especial ́enfasis en la aplicaci ́on de una bu ́squeda grid search, una t ́ecnica que busca encontrar los hiperpar ́ametros ́optimos para el modelo tratado.
Como conclusi ́on de este proyecto, se destaca la exploraci ́on a fondo las Redes Generati- vas Antag ́onicas (GANs), desgranando tanto sus aspectos fundamentales como las recientes mejoras t ́ecnicas que ampl ́ıan su eficacia y campo de aplicaci ́on. Iniciando con una clara introducci ́on a las redes neuronales, hemos asentado una base firme para comprender las evoluciones recientes en el ́ambito de las GANs, incorporando avances sustanciales como las GANs convolucionales (DCGANs) y las WGANs. Cada subsecci ́on de la investigaci ́on no solo detalla las metodolog ́ıas aplicadas y los desaf ́ıos encontrados, sino que tambi ́en pro- porciona una evaluaci ́on detallada de los resultados logrados, uniendo con eficacia teor ́ıa y pr ́actica en el an ́alisis de la aplicaci ́on de estas redes en situaciones pr ́acticas. Los resultados son prometedores, especialmente en la generaci ́on de im ́agenes detalladas y la replicaci ́on de comportamientos macrosc ́opicos, tal como se observa en la secci ́on del modelo de Ising, donde demuestran el potencial significativo de las GANs. El reto principal ha sido el hallar la combinaci ́on ideal de hiperpar ́ametros, lo cual sugiere futuras l ́ıneas de trabajo, donde se ex- ploren t ́ecnicas m ́as avanzadas para afinar au ́n m ́as el rendimiento, superando las limitaciones actuales debido a los altos requerimientos computacionales.
Tipo de Trabajo Académico: Trabajo Fin de Grado
Enlace permanente:
El registro pertenece a las siguientes colecciones:
Trabajos académicos > Trabajos Académicos por Centro > Facultad de Ciencias
Trabajos académicos > Trabajos fin de grado