Generative Adversarial Networks (GAN) är ett slags ramverk för djupinlärning, som består av två neurala nätverk som konkurrerar med varandra. Generatornätverket, G, har till uppgift att skapa nya data eller bilder som verkar verkliga. Det andra nätverket, diskriminatornätverket, D, är tränat att skilja mellan verklig data och falsk data som genereras av G-nätverket.
De två nätverken arbetar ständigt mot varandra för att förbättra sina prestationer i sina respektive uppgifter. När G-nätverket försöker generera mer realistiskt utseende blir D-nätverket bättre på att identifiera de falska data som produceras av G. Med tiden kommer dessa två nätverk att lära av varandra, och G-nätverket kommer att generera data som inte går att särskilja från riktiga data. GAN har många praktiska tillämpningar, från att skapa realistiska bilder till att generera syntetisk data för att träna maskininlärningsmodeller.
Publiceringsdatum: