Метод состязательного обучения в генеративно-состязательной сети (GAN) работает следующим образом: 13

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

Этот состязательный процесс помогает генератору улучшать свои выходные данные с течением времени. 3 В результате совместного конкурентного обучения, если система достаточно сбалансирована, достигается минимаксное состояние равновесия, в котором обе сети значительно улучшили своё качество. 1