We propose a new framework for estimating generative models via adversarial nets, in which we simultaneously train two models: a generative model G that captures the data distribution, and a discriminative model D that estimates the probability that a sample came from the training data rather than G. The training procedure for G is to maximize the probability of D making a mistake. This framework corresponds to a minimax two-player game. In the space of arbitrary functions G and D, a unique solution exists, with G recovering the training data distribution and D equal to 1/2 everywhere. In the case where G and D are defined by multilayer perceptrons, the entire system can be trained with backpropagation. There is no need for any Markov chains or unrolled approximate inference networks during either training or generation of samples. Experiments demonstrate the potential of the framework through qualitative and quantitatively evaluation of the generated samples.
El trabajo de Goodfellow y sus colegas presenta el concepto de Red Generativa Antagónica (Generative Adversarial Network -GAN). Dado un conjunto de entrenamiento, esta técnica aprende a generar nuevos datos con las mismas estadísticas que el conjunto de entrenamiento. Aunque originalmente se propuso como una forma de modelo generativo para el aprendizaje no supervisado, las GAN también han demostrado ser útiles para el aprendizaje semisupervisado, totalmente supervisado y en el aprendizaje por refuerzo.
Especificaciones
- Autor/es: Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio.
- Fecha: 2014-06
- Publicado en: Advances in Neural Information Processing Systems 27 (NIPS 2014).
- Idioma: Inglés
- Formato: PDF
- Contribución: Juan Ignacio Godino Llorente.
- Palabras clave: Aplicaciones industriales, Inteligencia computacional y artificial, Ordenadores y tratamiento de la información, Proceso de señal