Revolution im Machine Learning durch GANs

Generative Adversarial Networks (GAN) - Definition

Das spezifische Merkmal von Generative Adversarial Networks (deutsch: erzeugende, gegensätzliche NetzwerkeNetzwerke) ist die simultane Arbeit zweier neuronaler Netze. Das eine Netz, der sogenannte Generator G, erzeugt Datensätze, die vom zweiten Netz, dem sogenannten Diskriminator D, analysiert werden. D arbeitet mit "antrainierten" Daten und vergleicht diese mit den Daten des G. Auf Basis dieser Analyse trifft D die Entscheidung, ob der Datensatz G richtig oder falsch ist. Durch dieses ständige Trainieren der beiden Netzwerke, soll ein gegenseitiges Nullsummenspiel erreicht werden. Alles zu Netzwerke auf CIO.de

Diese Methode des Deep Learnings ist als generatives Modell mit einem multivariaten Verfahren in der Statistik bekannt. Generative Modelle haben das Ziel, eine Wahrscheinlichkeitsverteilung zu erlernen. Die Modelle zeichnen sich durch die Unterscheidung mehrerer Merkmale in ggf. mehreren Gruppen aus und treffen auf Basis der Informationen eine Entscheidung, über den Zustand in einem System. Beispielhaft ist die Analyse von natürlichen Abbildungen / Gemälden oder sprachenthaltende Audiosignale im Hinblick auf Richtigkeit.

In der Abbildung 1 ist die Funktionsweise eines GAN dargestellt. Die Erstellung der Daten erfolgt mit Hilfe eines Zufallsvektors, der die Varianz einer Stichprobe von Daten bereitstellt. Der Generator erzeugt mit Hilfe der Zufallsdaten ein Ergebnis. Dieses Ergebnis bekommt der Diskriminator und gleicht diese mit den Trainingsdaten ab. Je nach Ergebnis müssen beide Akteure ihre Modelle anpassen, um zukünftig ein besseres Ergebnis zu erhalten.

Anwendungen von GANs

GANs sind eine spezifische Methode in der vielversprechenden Kategorie von generativen Modellen des maschinellen Lernens. Sie behandeln und lösen diese besondere Thematik der Datenanalyse.
Nachfolgend sind beispielhaft 4 Anwendungsfälle für GANs aufgeführt:

Genomische Analyse
Im Gesundheitswesen und in den Biowissenschaften bestehen derzeit Herausforderungen in der Zellforschung und z. B. konkret für die Fähigkeit, verschiedene Krebsarten vorherzusagen. Mit Hilfe der GANs wird eine Methode geschaffen, diese Berechnungen gezielter durchzuführen und Falschaussagen zu erkennen.

Prognose der Güterbeförderung
Für Distribution und Logistik ist eine genaue Berechnung der benötigten Frachtgröße eine große Herausforderung. Die Bestimmung der optimalen Menge der zu transportierenden Güter ist ein erheblicher Kostenfaktor. Mit GANs ist es möglich, die genaue Warenmenge für bestimmte Szenarien vorherzusagen.

Betrugsermittlung
Sicherheitssensitive öffentliche und private Organisationen müssen beträchtliche Ressourcen bereitstellen, um illegales Verhalten zu beobachten. Durch Cyberangriffe wird beispielsweise das Ziel verfolgt, Daten zu manipulieren oder zu stehlen. Diese Daten sind oft unstrukturiert vorhanden. GANs sind hierfür gut geeignet, um Strukturen von betrügerischen Handlungen zu erkennen.

Modellierung finanzieller Zeitreihen
Das Sammeln und Anreichern von Finanzdatensätzen ist eine große Herausforderung für Banken und die Finanzabteilungen großer Unternehmen. GANs sind besonders nützlich für das Backtesting von hochdimensionalen Objekten und Vorhersagen auf der Grundlage verschiedener Szenarien.

GANs sind zwar leistungsstark, aber die Grenzen der traditionellen Datenverarbeitung hemmen ihre Anwendung, wie z. B. die Erstellung einer realistischen multivariaten finanziellen Zeitreihe, da diesen Zeitreihen Zufallsprozesse, Stationarität, Heteroskedastizität, Strukturbrüche und Ausreißer zugrunde liegen. Finanzdaten sind hochdimensional, hoch korreliert und ein wesentliches Instrument zur Messung der Unternehmensleistung. Darüber hinaus sind sie in verschiedenen Geschäftsanwendungen, vom Risikomanagement bis zum Backtesting von Strategien, von entscheidender Bedeutung.

Seit 2014 ist die Verwendung von GANs stark angewachsen und wird von einer breiten Community unterstützt. Durch den Umstand, dass die zu analysierenden Daten in der heutigen Zeit stark zunehmen und vernetzte Abhängigkeiten voneinander zur Folge haben, entsteht eine anwachsende Komplexität von Daten, die die Verwendung von GANs an ihre Grenzen bringt.

Die Erweiterung der GANs durch Quantumcomputing

GANs ermöglichen einen äußerst vielversprechenden Trainingsprozess für die Datenanalyse, wobei verschiedene Verfahrensschritte durch Quantenalgorithmen ersetzt und erweitert werden können. Mit Quantencomputern kann durch die Nutzung quantenmechanischer Effekte in hochdimensionalen Räumen ein exponentieller Geschwindigkeitsvorteil gegenüber klassischen GANs erreicht werden.

Der Einsatz von Quantum Generative Adversarial Networks (QuGANs) kann dagegen zum Erfolg führen, wenn es darum geht, realistische Korrelationen von Daten zu erzeugen. Das Prinzip der simultanen Arbeit zwei neuronaler Netze – analog zu GANs – ist identisch. QuGANs könnten zu entscheidenden Vorteilen bei der Analyse von z. B. Risiken in der Finanzinfrastruktur, in Portfolios von Versicherungen, bei der Erkennung von Betrug, Terrorismusfinanzierung und der Stabilität von Energienetzen im Vergleich zu GANs führen.

Gegenwärtig stellt sich die Frage, wo Quantencomputer ein sinnvolles Anwendungsfeld repräsentieren. Abbildung 2 listet relevante Anwendungsfälle für das Quantum Computing auf. Die blauen Kästen spiegeln die relevanten Anwendungen für QuGANs wieder, die die Möglichkeit bieten, maschinelles Lernen auf Quantencomputern zu nutzen.

Aktuelle Grenzen für Quantencomputer

Aber warum ist das Quantumcomputing nicht bereits Realität? Und was können Quantencomputer in ihrem derzeitigen Entwicklungsstand leisten?

Wir befinden uns in einer Übergangsphase, in der das Quantumcomputing immer mehr Aufmerksamkeit erregt. Zugegeben, der Fakt, dass ein Quantencomputer schneller arbeitet als ein herkömmlicher Computer, hat noch keinen direkten Mehrwert, ist aber ein Vorgeschmack auf eine Leistungsfähigkeit, die weit über klassischen Systemen liegt. Derzeit sind die Hardware-Geräte noch zu klein. Zudem sind die Anzahl der Qubits und die Anzahl der Operationen noch zu begrenzt, um reale Anwendungsfälle auf Quantencomputern auszuführen.

Des Weiteren wurden, als zwischenzeitliche Weiterentwicklung, sogenannte hybride Quantenalgorithmen entwickelt. Hier werden klassische Algorithmen eingesetzt, um Quantenalgorithmen zu unterstützen. Der klassische Algorithmus optimiert dabei die Ausgabe des Quantenschaltkreises bezüglich einer Zielfunktion. Beispiele für hybride Algorithmen sind:

• der Variations-Quanten-Eigensolver,

• der Quanten-Approximationsalgorithmus,

• Quanten-Neuronale Netze und

• QuGANs,

die auf nicht-fehlerkorrigierten Quantencomputern mit relativ wenigen Qubits laufen können.

Mit der Existenz des Quantenvorteils auf der einen Seite und Algorithmen wie QuGANs auf der anderen Seite werden jedoch bald weitere bahnbrechende Fortschritte auf dem Gebiet der Quantenberechnung zu erwarten sein.

Die Zukunft der QuGANs

Durch den Einsatz von QuGANs wird erwartet, dass sich die Einsatzgebiete im Bereich maschinelles Lernen erweitern. Hintergrund dieser Annahme ist, dass QuGANs über eine vielseitigere Darstellungsmöglichkeiten verfügen als klassische GANs. Sollte sich der technische Fortschritt im Bereich der Computertechnologien in der bekannten Geschwindigkeit weiterentwickeln, ist davon auszugehen, dass die Datenanalyse mit komplexeren Strukturen erfolgen kann. Höchstwahrscheinlich wird das maschinelle Lernen die erste allgemeine Anwendung für das Quantum Computing sein.