Czytam o generatywnych sieciach przeciwnych (GAN) i mam co do tego pewne wątpliwości. Jak dotąd rozumiem, że w GAN istnieją dwa różne typy sieci neuronowych: jedna jest generatywna ( $G$ ), a druga dyskryminacyjna ( $D$ ). Generacyjna sieć neuronowa generuje pewne dane, które dyskryminacyjna sieć neuronowa ocenia pod kątem poprawności. GAN uczy się, przekazując funkcję utraty do obu sieci.

W jaki sposób dyskryminacyjne ( $D$ ) sieci neuronowe początkowo wiedzą, czy dane wytworzone przez $G$ są poprawne, czy nie? Czy najpierw musimy ćwiczyć $D$ a następnie dodać go do GAN za pomocą $G$ ?

Rozważmy moją przeszkoloną sieć $D$ , która może klasyfikować obraz z dokładnością 90%. Jeśli dodamy tę sieć $D$ do GAN, istnieje 10% prawdopodobieństwo, że sklasyfikuje obraz nieprawidłowo. Jeśli trenujemy GAN z tą siecią $D$ to czy będzie miał ten sam 10% błąd w klasyfikacji obrazu? Jeśli tak, to dlaczego GAN wykazują obiecujące wyniki?

Porównaj wygenerowane i rzeczywiste dane

Wszystkie wyniki generowane przez G są zawsze z definicji uważane za „złe”, nawet dla bardzo dobrego generatora.

$D$$G$

$D$$G$

$D$

$D$$G$$D$$D$

To powiedziawszy, użycie tego scenariusza może być dobrym „nienadzorowanym” sposobem na poprawę mocy klasyfikacyjnej sieci neuronowych, ponieważ zmusza model generatora do uczenia się lepszych funkcji rzeczywistych danych oraz do nauczenia się, jak odróżniać rzeczywiste cechy od szumu, używając znacznie mniej danych potrzebnych do tradycyjnego nadzorowanego programu nauczania.