Un réseau antagoniste génératif (GAN) se compose de deux parties:
- Le générateur apprend à générer des données plausibles. Les instances générées deviennent des exemples d'entraînement négatifs pour le discriminateur.
- Le discriminateur apprend à distinguer les données fictives des données réelles. Le discriminateur pénalise le générateur pour avoir produit des résultats impossibles à comprendre.
Lorsque l'entraînement commence, le générateur génère des données manifestement factices, et le discriminateur apprend rapidement à dire qu'il s'agit de fausses données:
À mesure que l'entraînement progresse, le générateur se rapproche de la sortie qui peut tromper le discriminateur:
Enfin, si l'entraînement du générateur fonctionne bien, le discriminateur s'aggrave pour faire la différence entre le vrai et le faux. Il commence à classer les fausses données comme étant réelles et sa précision diminue.
Voici une représentation de l'ensemble du système:
Le générateur et le discriminateur sont des réseaux de neurones. La sortie du générateur est directement connectée à l'entrée du discriminateur. Grâce à la rétropropagation, la classification du discriminateur fournit un signal permettant au générateur de mettre à jour ses pondérations.
Explorons en détail les éléments de ce système.