Gerador vs Discriminador: O Jogo

Um GAN é formado por duas redes neurais que jogam uma contra a outra: uma inventa dados falsos e a outra tenta identificá-los. A rivalidade faz com que ambas melhorem. 🎭

O gerador começa com ruído aleatório e o transforma em algo que se parece com dados reais, como um rosto falso. Ele nunca vê as imagens reais diretamente.

O discriminador é um juiz. Ele observa uma amostra e produz um número: o quanto acredita que ela seja real, e não falsa.

Você fornece ao gerador um vetor de números aleatórios chamado vetor latente. Vetores diferentes produzem saídas diferentes, então o ruído se torna a semente da criatividade.

Pense em um falsificador produzindo cédulas falsas e em um detetive identificando-as. Cada um força o outro a ficar mais preciso. Essa disputa é o coração de um GAN.

O discriminador é treinado com rótulos: as imagens reais recebem 1 e as imagens geradas recebem 0. Ele aprende a distinguir as duas com confiança.

O gerador vence quando o discriminador classifica suas falsificações como reais. Portanto, seu objetivo é enganar o juiz, e não copiar exatamente uma única imagem.

Os objetivos são opostos, por isso chamamos o processo de adversarial. O discriminador quer acertar; o gerador quer que ele erre.

À medida que o discriminador fica mais exigente, o gerador precisa criar falsificações melhores para continuar enganando-o. Esse ciclo de feedback eleva o nível das duas redes ao longo do tempo.

Como os participantes têm objetivos separados, cada rede recebe seu próprio otimizador e é atualizada durante seu próprio turno no treinamento.

Idealmente, o treinamento termina quando o discriminador só consegue adivinhar, acertando perto de 50 por cento. Nesse ponto, as falsificações são praticamente indistinguíveis dos dados reais.

Você conheceu os dois participantes: um gerador que falsifica dados a partir de ruído e um discriminador que os avalia. A rivalidade faz com que ambos melhorem. 🎉