Saya membaca tentang jaringan permusuhan generatif (GAN) dan saya ragu akan hal itu. Sejauh ini, saya mengerti bahwa dalam GAN ada dua jenis jaringan saraf: satu adalah generatif ( $G$ ) dan lainnya diskriminatif ( $D$ ). Jaringan saraf generatif menghasilkan beberapa data yang dinilai jaringan saraf diskriminatif untuk kebenaran. GAN belajar dengan melewatkan fungsi kerugian ke kedua jaringan.

Bagaimana diskriminatif ( $D$ ) jaring saraf awalnya mengetahui apakah data yang dihasilkan oleh $G$ benar atau tidak? Apakah kita harus melatih $D$ terlebih dahulu lalu menambahkannya ke GAN dengan $G$ ?

Mari kita pertimbangkan jaring $D$ saya yang terlatih , yang dapat mengklasifikasikan gambar dengan akurasi persentase 90%. Jika kita menambahkan $D$ net ini ke GAN, ada kemungkinan 10% itu akan mengklasifikasikan gambar yang salah. Jika kita melatih GAN dengan jaring $D$ ini, apakah ia juga akan memiliki kesalahan 10% yang sama dalam mengklasifikasikan gambar? Jika ya, lalu mengapa GAN menunjukkan hasil yang menjanjikan?

Bandingkan data nyata dan yang dihasilkan

Semua hasil yang dihasilkan oleh G selalu dianggap "salah" menurut definisi, bahkan untuk generator yang sangat baik.

$D$$G$

$D$$G$

$D$

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

Yang mengatakan, menggunakan skenario ini bisa menjadi cara "tanpa pengawasan" yang baik untuk meningkatkan kekuatan klasifikasi jaringan saraf, karena memaksa model generator untuk mempelajari fitur data nyata yang lebih baik, dan untuk belajar bagaimana membedakan antara fitur aktual dan kebisingan, menggunakan apalagi data yang dibutuhkan untuk skema pembelajaran tradisional yang diawasi.