Generative Adversarial Networks (GANs) zijn een type deep learning-model dat bestaat uit twee neurale netwerken die tegen elkaar ‘strijden’:
- Het generator-netwerk:
- Probeert nieuwe, synthetische data te creëren (bijv. afbeeldingen)
- Begint met willekeurige ruis en leert geleidelijk om realistische data te genereren
- Het doel is om de discriminator te ‘misleiden’
- Het discriminator-netwerk:
- Probeert te onderscheiden tussen echte data en door de generator gemaakte synthetische data
- Fungeert als een binaire classifier
- Het doel is om nauwkeurig echt van nep te onderscheiden
Het trainingsproces verloopt als volgt:
- De generator maakt synthetische data
- De discriminator beoordeelt zowel echte als synthetische data
- Beide netwerken krijgen feedback en passen hun parameters aan
- Dit proces herhaalt zich, waarbij beide netwerken steeds beter worden
Belangrijke punten:
- De twee netwerken trainen tegelijkertijd in een competitief proces
- Het doel is dat de generator uiteindelijk zo goed wordt dat de discriminator het verschil niet meer kan zien
- Na succesvolle training kan de generator realistische synthetische data produceren
GANs worden gebruikt voor:
- Het genereren van realistische afbeeldingen
- Verbeteren van beeldkwaliteit
- Stijloverdracht tussen afbeeldingen
- Creëren van nieuwe data voor trainingssets
De kracht van GANs ligt in hun vermogen om zeer realistische synthetische data te genereren door het competitieve leerproces tussen de twee netwerken.