Generative Adversarial Network / GAN
Birbirine karşı yarışan üretici ve ayırt edici iki ağdan oluşan üretici model mimarisi.
Çekişmeli üretici ağ (Generative Adversarial Network, GAN), birbirine karşı rekabet eden iki sinir ağından oluşan bir üretici model mimarisidir: bir "üretici" (generator) ağ, rastgele gürültüden gerçekçi görünmesi amaçlanan sahte veri (genellikle görüntü) üretmeye çalışırken, bir "ayırt edici" (discriminator) ağ, kendisine verilen bir örneğin gerçek veri kümesinden mi yoksa üreticinin ürettiği sahte bir örnek mi olduğunu tespit etmeye çalışır. Bu iki ağ birlikte, sıfır toplamlı bir oyun mantığıyla eğitilir: üretici, ayırt ediciyi kandırmaya çalışırken, ayırt edici kanmamaya çalışır; bu karşılıklı rekabet süreci, üreticinin giderek daha ikna edici ve gerçekçi çıktılar üretmesini sağlar.
Bu "çekişmeli" eğitim yaklaşımı 2014 yılında tanıtıldığında büyük ilgi görmüş ve bir süre görsel üretimin baskın yöntemi haline gelmiştir; StyleGAN gibi mimariler son derece gerçekçi, gerçekte var olmayan insan yüzleri üretebilecek kadar başarılı sonuçlar vermiştir. GAN'lar görsel üretimin yanı sıra stil transferi (bir fotoğrafı bir ressamın tarzına dönüştürme), görüntü çözünürlüğünü artırma (super-resolution) ve eksik görüntü bölgelerini tamamlama gibi görevlerde de kullanılmıştır. Ancak GAN'ların eğitimi genellikle kararsız ve hassastır (mode collapse gibi sorunlarla); bu nedenle son yıllarda görsel üretim alanında büyük ölçüde daha kararlı eğitilebilen difüzyon modellerine doğru bir kayış yaşanmıştır.
Bu "çekişmeli" eğitim yaklaşımı 2014 yılında tanıtıldığında büyük ilgi görmüş ve bir süre görsel üretimin baskın yöntemi haline gelmiştir; StyleGAN gibi mimariler son derece gerçekçi, gerçekte var olmayan insan yüzleri üretebilecek kadar başarılı sonuçlar vermiştir. GAN'lar görsel üretimin yanı sıra stil transferi (bir fotoğrafı bir ressamın tarzına dönüştürme), görüntü çözünürlüğünü artırma (super-resolution) ve eksik görüntü bölgelerini tamamlama gibi görevlerde de kullanılmıştır. Ancak GAN'ların eğitimi genellikle kararsız ve hassastır (mode collapse gibi sorunlarla); bu nedenle son yıllarda görsel üretim alanında büyük ölçüde daha kararlı eğitilebilen difüzyon modellerine doğru bir kayış yaşanmıştır.