Generatieve tegengestelde netwerken (GAN's)

Definitie

GAN's zijn een klasse van modellen voor machinaal leren waarbij twee neurale netwerken (een generator en een discriminator) met elkaar concurreren om realistische synthetische data te creëren.

Doel

Het doel is om realistische data te genereren, zoals afbeeldingen, audio of tekst. GAN's worden gebruikt in de creatieve industrie, data-augmentatie en onderzoek.

Belang

• Produceert synthetische gegevens van hoge kwaliteit.
• Maakt creativiteit in design en kunst mogelijk.
• Risico op misbruik voor deepfakes en misinformatie.
• Het is erg duur om te trainen vanwege de rekenkracht.

Hoe het werkt

1. Generator creëert synthetische data uit willekeurige ruis.
2. Discriminator beoordeelt of de gegevens echt of nep zijn.
3. Beide netwerken worden tegelijkertijd getraind.
4. Generator verbetert doordat hij leert de discriminator voor de gek te houden.
5. De iteratie gaat door totdat de uitkomsten op echte gegevens lijken.

Voorbeelden (echte wereld)

• NVIDIA StyleGAN: genereert realistische menselijke gezichten.
• DeepFake-toepassingen: synthetische videocreatie.
• Synthetische medische beelden ter aanvulling van onderzoeksgegevens.

Referenties / Verder lezen

• Goodfellow et al. “Generatieve vijandige netwerken.” NeurIPS 2014.
• GAN-college-aantekeningen van Ian Goodfellow.
• IEEE-transacties over neurale netwerken en lerende systemen.