Архитектура из двух конкурирующих нейросетей — генератора и дискриминатора, — которые обучаются в противостоянии друг с другом, что позволяет создавать реалистичные изображения и другой контент.
Генеративно-состязательная сеть (Generative Adversarial Network, GAN) — это архитектура машинного обучения, состоящая из двух нейросетей, обучаемых одновременно и в противостоянии друг другу: генератора, который пытается создавать контент (например, изображения), неотличимый от настоящего, и дискриминатора, который пытается отличить сгенерированный контент от реального.
В процессе обучения генератор постепенно учится создавать всё более убедительные примеры, стараясь «обмануть» дискриминатор, а дискриминатор совершенствуется в распознавании подделок, — это состязание подталкивает обе сети к прогрессу, пока генератор не начинает создавать результаты высокого качества. GAN были одной из ведущих архитектур для генерации изображений в 2014-2021 годах, прежде чем во многих задачах их во многом потеснили диффузионные модели, обеспечивающие более стабильное обучение и качество.
GAN-архитектуры лежат в основе многих ранних и части современных технологий создания дипфейков — реалистичной подмены лиц или голоса на видео, — что делает понимание этой технологии важным и для темы ИИ-безопасности, а не только генерации контента.
Нет, это разные архитектуры генеративных моделей. GAN основана на состязании генератора и дискриминатора, а диффузионная модель обучается постепенно убирать шум из изображения. Диффузионные модели во многом сменили GAN как основной подход к генерации изображений.
Да, хотя во многих задачах генерации изображений её потеснили диффузионные модели, GAN-архитектуры остаются актуальны в ряде специализированных задач и легли в основу части технологий дипфейков.
Потому что нужно поддерживать баланс между генератором и дискриминатором — если один компонент обучается заметно быстрее другого, процесс может стать нестабильным и не дать качественного результата.