האפליה ב-GAN היא פשוט סיווג. הוא מנסה להבדיל בין נתונים אמיתיים לבין הנתונים שנוצרו על ידי המחולל. הוא יכול להשתמש בכל ארכיטקטורה של רשת המתאימה לסוג הנתונים שמסווגים בה.
איור 1: הפצת רקע באימון אפליה.
נתוני הדרכה בנושא אפליה
נתוני האימון של האפליה מגיעים משני מקורות:
- מופעים של נתונים אמיתיים, כמו תמונות אמיתיות של אנשים. האפליה משתמשת במקרים האלה כדוגמאות חיוביות במהלך האימון.
- מופעים של נתונים מזויפים שנוצרו על ידי המחולל. האפליה משתמשת במקרים האלה כדוגמאות שליליות במהלך האימון.
באיור 1, שתי התיבות "Sample" מייצגות את שני מקורות הנתונים שנכנסים אל האפליה. באימון האפליה, המחולל לא מבצע אימון. המשקלים שלו נשארים עקביים בזמן שהמערכת מפיקה דוגמאות שממחישות את האפליה.
הדרכת האפליה
האפליה מזהה שתי פונקציות אובדן. במהלך האימון של האפליה, האפליה מתעלמת מהאובדן של המחולל וממש משתמשת בו. אנחנו משתמשים באובדן הגנרטור במהלך הדרכות על מחולל, כמתואר בקטע הבא.
במהלך האימון של אפליה:
- האפליה מבדילה גם את הנתונים האמיתיים וגם את הנתונים המזויפים מהמחולל.
- אובדן האפליה גורם לאפליה, אם היא נובעת מסיווג שגוי של מופע אמיתי או שמדובר במופע מזויף.
- המפלגת מעדכנת את המשקלים שלה באמצעות תהליך הפצה לאחור מאובדן האפליה דרך רשת האפליות.
בקטע הבא נראה למה מחולל המחולל מתחבר לאפליה.