Generative Adversarial Networks (GAN)

Definisjon

GAN-er er en klasse med maskinlæringsmodeller der to nevrale nettverk – en generator og en diskriminator – konkurrerer om å lage realistiske syntetiske data.

Formål

Hensikten er å generere realistiske data som bilder, lyd eller tekst. GAN-er brukes i kreative næringer, datautvidelse og forskning.

Viktigheten

• Produserer syntetiske data av høy kvalitet.
• Muliggjør kreativitet innen design og kunst.
• Risiko for misbruk av deepfakes og feilinformasjon.
• Beregningsmessig dyrt å trene.

Slik fungerer det

1. Generatoren lager syntetiske data fra tilfeldig støy.
2. Diskriminator vurderer om dataene er ekte eller falske.
3. Begge nettverkene trenes samtidig.
4. Generatoren forbedres ved å lære å lure diskriminatoren.
5. Iterasjonen fortsetter til resultatene ligner på reelle data.

Eksempler (den virkelige verden)

• NVIDIA StyleGAN: genererer realistiske menneskeansikter.
• DeepFake-applikasjoner: syntetisk videoproduksjon.
• Syntetiske medisinske bilder for utvidelse av forskningsdata.

Referanser / Videre lesning

• Goodfellow et al. «Generative adversarielle nett». NeurIPS 2014.
• Ian Goodfellows GAN-forelesningsnotater.
• IEEE-transaksjoner på nevrale nettverk og læringssystemer.