Odborná definícia
Význam a odborné vymedzenie pojmu
Generative adversarial network je generatívny rámec s dvoma modelmi trénovanými v súťažnom cieli. Generátor premieňa náhodný latentný vstup, prípadne podmienku, na syntetické vzorky. Diskriminátor odhaduje, či vzorka pochádza z reálnych dát alebo z generátora, a jeho gradient poskytuje generátoru signál na zlepšenie. Ideálna rovnováha nastáva, keď generované rozdelenie zodpovedá dátam a diskriminátor nedokáže pôvod rozlíšiť. Praktický tréning je citlivý na nestabilitu, mode collapse, voľbu strát a rovnováhu učenia oboch sietí.
Zrozumiteľné vysvetlenie
Ako sa pojem používa v praxi
GAN funguje ako súťaž falšovateľa a kontrolóra. Falšovateľ vyrába obrázky a kontrolór sa učí odhaľovať, ktoré nie sú pravé. Každé zlepšenie kontrolóra poskytne falšovateľovi presnejšiu spätnú väzbu, až môžu vznikať veľmi realistické vzorky. Súťaž však nemá pokojný cieľ ako bežná klasifikácia. Ak kontrolór zosilnie príliš rýchlo, generátor nedostane užitočný signál. Ak generátor nájde niekoľko ľahkých trikov, môže vyrábať stále podobné tváre a ignorovať rozmanitosť dát, čo je typický mode collapse.
Časté otázky
Otázky, ktoré spresňujú význam
Prečo sa GAN trénuje ako hra dvoch modelov?
Diskriminátor sa učí rozdiel medzi reálnym a generovaným rozdelením, čím vytvára adaptívnu stratovú funkciu. Generátor nemusí mať explicitný pixelový cieľ pre každú náhodnú vzorku, učí sa cez reakciu protivníka.
Čo je latentný vektor v GAN?
Je to vstupný bod z jednoduchého rozdelenia, napríklad normálneho, ktorý generátor mapuje na dátový priestor. Zmeny v latentnom priestore môžu ovplyvňovať štýl, identitu alebo inú naučenú vlastnosť.
Ako vzniká mode collapse?
Generátor objaví malú skupinu výstupov, ktoré diskriminátor často prijme, a prestane pokrývať ďalšie režimy dát. Priemerná realistickosť môže vyzerať dobre, ale rozmanitosť prudko klesne.
Ako sa hodnotí kvalita GAN?
Kombinujú sa metriky realistickosti a pokrytia, napríklad FID, precision a recall pre generatívne modely, vizuálna kontrola a úlohové testy. Jedna metrika môže zvýhodniť ostrosť na úkor diverzity.
Prečo sa pri obrazoch často používajú aj difúzne modely?
Difúzne modely mávajú stabilnejší tréning a dobré pokrytie rozdelenia, hoci generovanie môže byť výpočtovo pomalšie. GAN zostáva zaujímavý tam, kde je dôležitá rýchla inferencia alebo špecifická manipulácia latentného priestoru.
Súvisiace pojmy
Významové a tematické súvislosti
Pojem v rozhodovaní
Odborné články, ktoré tento pojem používajú v praxi
Zdroje a redakčná stopa
Použité východiská a odborná revízia
Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.