Ich lese über generative Adversarial Networks (GANs) und habe einige Zweifel. Soweit ich weiß, gibt es in einem GAN zwei verschiedene Arten neuronaler Netze: eines ist generativ ( $G$ ) und das andere diskriminativ ( $D$ ). Das generative neuronale Netzwerk erzeugt einige Daten, die das diskriminative neuronale Netzwerk auf Korrektheit beurteilt. Die GAN lernt, indem sie die Verlustfunktion an beide Netzwerke weitergibt.

Woher wissen die diskriminativen ( $D$ ) neuronalen Netze zunächst, ob die von $G$ erzeugten Daten korrekt sind oder nicht? Müssen wir das $D$ zuerst trainieren und dann mit $G$ in die GAN einfügen ?

Betrachten wir mein trainiertes $D$ Netz, mit dem ein Bild mit einer Genauigkeit von 90% klassifiziert werden kann. Wenn wir dieses $D$ Netz zu einer GAN hinzufügen, besteht eine Wahrscheinlichkeit von 10%, dass ein falsches Bild klassifiziert wird. Wenn wir ein GAN mit diesem $D$ Netz trainieren, hat es dann auch den gleichen Fehler von 10% bei der Klassifizierung eines Bildes? Wenn ja, warum zeigen GAN vielversprechende Ergebnisse?

Vergleichen Sie generierte und reale Daten

Alle von G erzeugten Ergebnisse werden per Definition immer als "falsch" angesehen, selbst für einen sehr guten Generator.

$D$$G$

$D$$G$

$D$

$D$$G$$D$$D$

Das heißt, die Verwendung dieses Szenarios könnte eine gute "unbeaufsichtigte" Möglichkeit sein, die Klassifizierungsleistung neuronaler Netze zu verbessern, da das Generatormodell gezwungen wird, bessere Merkmale realer Daten zu lernen und zu lernen, wie zwischen tatsächlichen Merkmalen und Rauschen zu unterscheiden ist viel weniger Daten, die für ein traditionelles betreutes Lernschema benötigt werden.