Ян Гудфеллоу и его коллегами в 2014 г. ^[1] Две нейронные сети конкурса друг с другом в игре (в виде игры с нулевой суммой , где один прибыль агента - это потеря другого агента).

Учитывая обучающий набор, этот метод учится генерировать новые данные с той же статистикой, что и обучающий набор. Например, GAN, обученный фотографиям, может создавать новые фотографии, которые выглядят, по крайней мере, внешне аутентичными для человека-наблюдателя, имея множество реалистичных характеристик. Хотя первоначально предложено в качестве одной из форм порождающей модели для неконтролируемого обучения , Gans также оказался полезным для полуобучаемого обучения , ^[2] полностью контролировал обучение , ^[3] и обучение с подкреплением . ^[4]

Основная идея GAN основана на «косвенном» обучении через дискриминатор ^{[ требуется пояснение ],} который сам также динамически обновляется. ^[5] Это в основном означает, что генератор не обучен минимизировать расстояние до определенного изображения, а скорее обманывает дискриминатор. Это позволяет модели обучаться бесконтрольно.

https://thispersondoesnotexist.com/