Современные архитектуры генеративных глубоких сетей

Цели и задачи дисциплины

Целью дисциплины является формирование у студентов глубоких теоретических знаний и практических навыков разработки современных генеративных глубоких нейронных сетей. Задачи курса включают изучение математических основ и архитектурных принципов широкого спектра генеративных моделей, освоение методов их обучения, стабилизации и оптимизации вычислительных ресурсов, а также приобретение опыта применения этих подходов для синтеза изображений, временных рядов, табличных данных и текста. Студенты должны научиться объективно оценивать качество генерации и адаптировать модели под конкретные прикладные задачи с учетом баланса между качеством и скоростью работы.

Краткое содержание дисциплины

Дисциплина охватывает ключевые подходы к генерации данных. Курс начинается с базовых энергетических моделей, затем переходит к VAE и нормализующим потокам (RealNVP). Значительная часть посвящена GAN: изучаются DCGAN, WGAN-GP, Conditional GAN, а также архитектуры для переноса стиля (CycleGAN, StyleGAN) и работы с временными рядами и таблицами (WaveGAN, TimeGAN, FreqGAN, CTGAN). Далее рассматриваются диффузионные модели (DDPM, Stable Diffusion), авторегрессионные и графовые сети. Курс завершается изучением метрик оценки качества и методов оптимизации моделей.

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ПК-5 Способен проводить исследования в области кооперативного и состязательного взаимодействия агентов с использованием генеративных моделей для синтеза данных и обучающих сред