Estou lendo sobre redes contraditórias generativas (GANs) e tenho algumas dúvidas sobre isso. Até agora, entendo que em uma GAN existem dois tipos diferentes de redes neurais: uma é gerativa ( $G$ ) e a outra discriminativa ( $D$ ). A rede neural generativa gera alguns dados que a rede neural discriminativa julga quanto à correção. O GAN aprende passando a função de perda para ambas as redes.

Como as redes neurais discriminativas ( $D$ ) sabem inicialmente se os dados produzidos por $G$ estão corretos ou não? Temos que treinar o $D$ primeiro e depois adicioná-lo ao GAN com $G$ ?

Vamos considerar minha rede $D$ treinada , que pode classificar uma imagem com precisão percentual de 90%. Se adicionarmos essa rede $D$ a um GAN, há uma probabilidade de 10% de classificar uma imagem incorreta. Se treinarmos um GAN com essa rede $D$ , também haverá o mesmo erro de 10% na classificação de uma imagem? Se sim, então por que os GANs mostram resultados promissores?

Compare dados gerados e reais

Todos os resultados produzidos por G são sempre considerados "errados" por definição, mesmo para um gerador muito bom.

Você fornece a rede neural discriminativa $D$ com uma mistura de resultados gerados pela rede de geradores $G$ e resultados reais de uma fonte externa e, em seguida, você o treina para distinguir se o resultado foi produzido pelo gerador ou não - você não está comparando resultados "bons" e "ruins", está comparando resultados reais versus resultados gerados.

Isso resultará em uma "evolução mútua" como $D$ aprenderá a encontrar recursos que separam resultados reais dos gerados e $G$ aprenderá a gerar resultados difíceis de distinguir dos dados reais.

Uma rede discriminativa ($D$) aprende a discriminar por definição - fornecemos os dados verdadeiros e os gerados e deixamos que ele aprenda sozinho como discriminar entre os dois.

Portanto, esperamos que a rede $D$ para melhorar a capacidade da rede $G$ para gerar imagens cada vez melhores (ou outro tipo de dados), enquanto tenta "enganar" a rede $D$produzindo novos dados mais parecidos com "dados reais". Não se trata da precisão da rede$D$em absoluto. Não se trata de melhorar a precisão , mas de melhorar a capacidade do computador de gerar mais dados "confiáveis".

Dito isto, usar esse cenário pode ser uma boa maneira "não supervisionada" de melhorar o poder de classificação das redes neurais, pois força o modelo do gerador a aprender melhores recursos de dados reais e a distinguir entre recursos reais e ruído, usando muito menos dados necessários para um esquema tradicional de aprendizado supervisionado.