Je lis au sujet des réseaux contradictoires génératifs (GAN) et j'ai quelques doutes à ce sujet. Jusqu'à présent, je comprends que dans un GAN, il existe deux types différents de réseaux de neurones: l'un est génératif ( $G$ ) et l'autre discriminant ( $D$ ). Le réseau neuronal génératif génère certaines données que le réseau neuronal discriminant juge pour leur exactitude. Le GAN apprend en transmettant la fonction de perte aux deux réseaux.

Comment les réseaux neuronaux discriminants ( $D$ ) savent-ils initialement si les données produites par $G$ sont correctes ou non? Faut-il d'abord entraîner le $D$ puis l'ajouter dans le GAN avec $G$ ?

Considérons mon réseau $D$ formé , qui peut classer une image avec une précision de 90%. Si nous ajoutons ce $D$ net à un GAN, il y a une probabilité de 10% qu'il classera une image incorrectement. Si nous formons un GAN avec ce réseau $D$ aura-t-il également la même erreur de 10% dans la classification d'une image? Si oui, pourquoi les GAN affichent-ils des résultats prometteurs?

Comparer les données générées et réelles

Tous les résultats produits par G sont toujours considérés comme "faux" par définition, même pour un très bon générateur.

$D$$G$

$D$$G$

$D$

$D$$G$$D$$D$

Cela dit, l'utilisation de ce scénario pourrait être un bon moyen "non supervisé" d'améliorer la puissance de classification des réseaux de neurones, car il oblige le modèle de générateur à apprendre de meilleures fonctionnalités de données réelles et à apprendre à distinguer les fonctionnalités réelles du bruit, en utilisant beaucoup moins de données nécessaires pour un programme d'apprentissage supervisé traditionnel.