Sieć generatywna GAN

Sieć generatywna GAN^[1], generatywna sieć przeciwstawna^[2] (ang. generative adversarial network, GAN) – klasa struktur uczenia maszynowego i ważna struktura w podejściu do generatywnej sztucznej inteligencji. Koncepcję tę pierwotnie opracowano w czerwcu 2014^[3]. W strukturze GAN dwie sieci neuronowe konkurują ze sobą w formie gry o sumie zerowej, w której zysk jednego agenta oznacza stratę drugiego^[4].

Technika ta polega na generowaniu, na podstawie zestawu uczącego, nowych danych o statystykach zbliżonych do danych treningowych. Sieci GAN wytrenowane na zdjęciach mogą generować nowe obrazy, które dla ludzkich obserwatorów będą przynajmniej na pierwszy rzut oka wyglądać autentycznie i będą miały wiele realistycznych cech^[5]. Chociaż pierwotnie zaproponowano je jako formę modelu generatywnego do uczenia się bez nadzoru, sieci GAN okazały się również przydatne do uczenia się półnadzorowanego^[6], uczenia się w pełni nadzorowanego^[7] i uczenia się przez wzmacnianie^[8].

Podstawowy pomysł sieci GAN polega na „pośrednim” uczeniu generatora za pomocą dyskryminatora – drugiej sieci neuronowej, której zadaniem jest ocena, na ile wygenerowane dane przypominają dane rzeczywiste. Dane wejściowe są dynamicznie aktualizowane w trakcie treningu, a celem generatora nie jest odwzorowanie konkretnych przykładów, lecz oszukanie dyskryminatora. Dzięki takiemu podejściu model może uczyć się bez nadzoru, ucząc się generować realistyczne dane bez potrzeby dostarczania etykiet^[9][10].