Réseaux Antagonistes Génératifs
Réseaux antagonistes génératifsIl s’agit d’une méthode d’apprentissage non supervisé qui est mise en œuvre en laissant deux réseaux neuronaux entrer en compétition l’un avec l’autre. Cette méthode a été proposée par Ian Goodfellow en 2014.
Le réseau antagoniste génératif se compose d'un réseau génératif et d'un réseau discriminatif. Le réseau génératif prend un échantillonnage aléatoire dans l’espace latent en entrée, et les résultats de sortie doivent imiter autant que possible les échantillons réels de l’ensemble d’apprentissage ; l'entrée du réseau discriminatif est constituée des échantillons réels et la sortie du réseau génératif. Le but est de distinguer autant que possible la sortie du réseau génératif des échantillons réels.
Le réseau génératif doit tromper le réseau discriminatif autant que possible. Les deux réseaux se résistent et ajustent constamment leurs paramètres. L’objectif ultime est de rendre le réseau discriminant incapable de juger de l’authenticité des résultats. Les réseaux antagonistes génératifs sont souvent utilisés pour générer des images réalistes et peuvent également être utilisés pour générer des vidéos, des modèles d'objets tridimensionnels, etc.