Data synthesis using generative models

Inom forskningsfältet generativ modellering undersöks möjligheter med datasyntes. Genom djupinlärningsbaserade generativa modeller finns det nu möjlighet att lära sig distributionen hos en stor mängd oannoterad träningsdata och använda denna för att generera ny syntetisk data av god kvalitet som är svår att skilja från verklig data. Utvecklingen inom generativ modellering har gått snabbt och nya metoder och tekniker för att skapa eller manipulera högdimensionell data så som ansiktsbilder, nyhetsartiklar, mänskliga röster eller videor dyker ständigt upp. Syftet med denna rapport är att ge en förståelse för hur de snabba framsteg som görs inom generativ modellering skapar såväl hot som möjligheter som relaterar till försvarstillämpningar. Den genomförda litteraturstudien visar att det finns många möjligheter att använda generativa modeller för militära tillämpningar, t.ex. för att öka realismen vid militära övningar eller för att förbättra kommunikation i olika sammanhang. Tillgång till hårdvara och representativ data identifieras som potentiella hinder för att införa praktisk användning av generativa modeller.