Generator a dyskryminator: gra

GAN to dwie sieci neuronowe grające w pewną grę: jedna wymyśla fałszywe dane, a druga próbuje je wykryć. Ich rywalizacja sprawia, że obie się doskonalą. 🎭

Generator zaczyna od losowego szumu i przekształca go w coś przypominającego prawdziwe dane, na przykład fałszywą twarz. Nigdy nie widzi bezpośrednio prawdziwych obrazów.

Dyskryminator pełni rolę sędziego. Analizuje próbkę i zwraca jedną liczbę: prawdopodobieństwo, że próbka jest prawdziwa, a nie fałszywa.

Do generatora przekazujesz wektor losowych liczb nazywany wektorem ukrytym. Różne wektory dają różne wyniki, więc szum staje się zalążkiem kreatywności.

Wyobraź sobie fałszerza produkującego fałszywe banknoty i detektywa, który je wykrywa. Każdy zmusza drugiego do większej precyzji. Ta rywalizacja jest sercem GAN-a.

Dyskryminator uczy się na etykietach: prawdziwe obrazy otrzymują 1, a wygenerowane obrazy 0. Uczy się pewnie rozróżniać te dwie grupy.

Generator wygrywa, gdy dyskryminator oznacza jego fałszywe dane jako prawdziwe. Jego celem jest więc oszukanie sędziego, a nie dokładne skopiowanie pojedynczego obrazu.

Ich cele są przeciwne, dlatego mówimy o uczeniu adwersarialnym. Dyskryminator chce mieć rację, a generator chce go zmylić.

Im bardziej wybredny staje się dyskryminator, tym lepsze fałszywe dane musi tworzyć generator, aby nadal go oszukiwać. Ta pętla sprzężenia zwrotnego z czasem doskonali obie sieci.

Ponieważ uczestnicy mają różne cele, każda sieć otrzymuje własny optymalizator i aktualizuje się podczas swojej kolejki w procesie trenowania.

Trenowanie idealnie kończy się, gdy dyskryminator może tylko zgadywać, z trafnością bliską 50 procent. Wtedy fałszywe dane praktycznie nie różnią się od prawdziwych.

Poznaliśmy obu uczestników: generator, który tworzy dane z szumu, oraz dyskryminator, który je ocenia. Ich rywalizacja napędza rozwój obu sieci. 🎉