AI-fogalom · Modellek
Generatív ellenséges háló (GAN)
Két, egymással versengő neurális hálóból álló architektúra, amely valósághű, mesterségesen generált adatok (pl. képek) létrehozására tanítható.
Más néven: GAN, Generative Adversarial Network, ellenséges generatív hálózat, generatív adverzáriális hálózat
A generatív ellenséges háló (GAN) egy olyan gépi tanulási architektúra, amelyben két neurális háló, a generátor és a diszkriminátor versenyez egymással. A generátor feladata új, hamis adatok (leggyakrabban képek) létrehozása, míg a diszkriminátor azt próbálja eldönteni, hogy egy adott minta valódi-e vagy a generátor állította elő. A két háló egymást fejlesztve tanul: a generátor egyre meggyőzőbb hamisítványokat készít, a diszkriminátor pedig egyre jobban felismeri a hamisítást.
A módszer 2014-ben vált ismertté, és a tanulási folyamatot gyakran egy hamisító és egy nyomozó versenyfutásához hasonlítják: minél ügyesebb a hamisító, annál élesebb szemű nyomozóra van szükség, és fordítva. A két háló paramétereit felváltva, egymás ellenében optimalizálják, amíg a generátor olyan kimeneteket nem produkál, amelyeket a diszkriminátor már nem tud megbízhatóan megkülönböztetni a valós adatoktól. Ez a versengő tanulási elv teszi lehetővé, hogy a GAN a valós adatok eloszlását nagy pontossággal megközelítse anélkül, hogy explicit statisztikai modellt kellene felírni róla.
A GAN-okat elsősorban képgenerálásra, stílusátvitelre, felbontásnövelésre (szuperfelbontásra), arcképszintézisre és adatbővítésre használták, mielőtt a diffúziós modellek átvették volna a vezető szerepet a legtöbb generatív képalkotási feladatban. Jelentőségük abban áll, hogy elsőként mutatták meg, hogy neurális hálók versengő tanítással is képesek meggyőzően valósághű, komplex adatokat előállítani, ezzel megalapozva a mai generatív mesterséges intelligencia sok további irányát, beleértve a deepfake technológiák és a kreatív AI-eszközök fejlődését is.