Ein Generative Adversarial Network (GAN, vorgeschlagen 2014 von Ian Goodfellow) besteht aus zwei gegeneinander trainierenden Netzen: einem Generator, der täuschend echte Daten erzeugen soll, und einem Diskriminator, der echte von gefälschten Daten unterscheiden soll.
Das Minimax-Spiel
Der Generator erzeugt aus Zufallsrauschen Kandidaten, der Diskriminator bewertet, ob ein Beispiel echt oder erzeugt ist. Beide verbessern sich wechselseitig — ein adversariales Training im Sinne eines Zwei-Spieler-Spiels. Im Gleichgewicht erzeugt der Generator Verteilungen, die der Diskriminator nicht mehr von echten Daten unterscheiden kann.
Einsatzgebiete
- Bilderzeugung: photorealistische Gesichter (StyleGAN), Bild-zu-Bild-Übersetzung (pix2pix), Auflösung hochskalieren.
- Deepfakes: Gesichtstausch und Stimmenimitation — mit entsprechenden Risiken für Missbrauch.
- Datenaugmentation für knappe Datensätze.
Herausforderungen
GANs gelten als schwer zu trainieren: Häufige Probleme sind Mode Collapse (der Generator produziert nur noch wenige ähnliche Varianten) und fehlende Konvergenz. Zudem fehlt ein Latent Space mit glatter Semantik, wie ihn der Variational Autoencoder bietet — GANs und VAEs werden daher oft als komplementäre Ansätze betrachtet, während der Autoencoder das gemeinsame Grundmuster von Encoder und Decoder liefert.
Verwandte Grundlagen: Convolutional Neural Network, Overfitting, Regularisierung.