Как работает метод состязательного обучения в GAN?

Метод состязательного обучения в генеративно-состязательной сети (GAN) работает следующим образом: ru.wikipedia.org andreyex.ru

1. Генератор создаёт синтетические выборки данных, имитируя обучающие данные. andreyex.ru Он принимает вектор случайного шума в качестве входных данных и преобразует его в выборку, которая напоминает реальное распределение данных. andreyex.ru
2. Дискриминатор оценивает достоверность этих выборок. andreyex.ru Он берёт выборку входных данных (реальных или сгенерированных) и выводит вероятность, указывающую, является ли выборка реальной или поддельной. andreyex.ru
3. Генератор стремится максимизировать вероятность того, что дискриминатор ошибочно классифицирует свои выходные данные как реальные. andreyex.ru Для этого он создаёт реалистичные данные, чтобы обмануть дискриминатор. andreyex.ru
4. Дискриминатор, в свою очередь, стремится минимизировать ошибку при отличии реальных выборок от поддельных. andreyex.ru

Этот состязательный процесс помогает генератору улучшать свои выходные данные с течением времени. andreyex.ru В результате совместного конкурентного обучения, если система достаточно сбалансирована, достигается минимаксное состояние равновесия, в котором обе сети значительно улучшили своё качество. ru.wikipedia.org