Redes Adversarias Generativas GAN´s

 Proponemos un nuevo marco para estimar modelos generativos a través de un proceso contradictorio, en el que entrenamos simultáneamente dos modelos: un modelo generativo G que captura la distribución de datos y un modelo discriminativo D que estima la probabilidad de que una muestra provenga de los datos de entrenamiento en lugar de que G. El procedimiento de entrenamiento para G es maximizar la probabilidad de que D cometa un error. Este marco corresponde a un juego minimax de dos jugadores. En el espacio de funciones arbitrarias G y D, existe una solución única, con G recuperando la distribución de datos de entrenamiento y D igual a 1/2 en todas partes. En el caso de que G y D estén definidos por perceptrones multicapa, todo el sistema puede entrenarse con retropropagación. No hay necesidad de cadenas de Markov o redes de inferencia aproximadas desenrolladas durante el entrenamiento o la generación de muestras. Los experimentos demuestran el potencial del marco a través de la evaluación cualitativa y cuantitativa de las muestras generadas.

 Una red adversa generativa (GAN) es un tipo de red que crea nuevos tensores (a menudo imágenes, voces, etc.). La parte generativa de la arquitectura compite con la parte discriminadora de la arquitectura en un juego de suma cero. El objetivo de la red generativa es crear tensores novedosos que la red contradictoria intenta clasificar como reales o falsos. El objetivo de la red generativa es generar tensores donde la red discriminadora determina que el tensor tiene un 50% de posibilidades de ser falso y un 50% de posibilidades de ser real.