Jaringan adversarial generatif (GAN) memiliki dua bagian:
- Generator belajar untuk menghasilkan data yang masuk akal. Instance yang dihasilkan menjadi contoh pelatihan negatif untuk pembeda tersebut.
- Pembeda mempelajari cara membedakan data palsu generator dari data nyata. Diskriminator mengganjar generator karena menghasilkan hasil yang tidak masuk akal.
Saat pelatihan dimulai, generator menghasilkan data yang jelas-jelas palsu, dan pembeda akan segera mengetahui bahwa data tersebut palsu:
Saat pelatihan berlangsung, generator semakin dekat untuk menghasilkan output yang dapat menipu pembeda:
Terakhir, jika pelatihan generator berjalan dengan baik, diskriminator akan menjadi lebih buruk dalam membedakan antara sungguhan dan palsu. Fitur ini mulai mengklasifikasikan data palsu sebagai nyata, dan keakuratannya menurun.
Berikut adalah gambar keseluruhan sistem:
Baik generator maupun pembedanya merupakan jaringan neural. Output generator terhubung langsung ke input pembeda. Melalui propagasi mundur, klasifikasi discriminator memberikan sinyal bahwa generator digunakan untuk memperbarui bobotnya.
Mari kita bahas sistem ini secara lebih mendetail.