私は生成的敵対的ネットワーク（GAN）について読んでいますが、それに関していくつかの疑問があります。これまでのところ、GANには2つの異なるタイプのニューラルネットワークがあることを理解しています。1つは生成的（$G$）で、もう1つは判別的（$D$）です。生成ニューラルネットワークは、判別ニューラルネットワークが正確性を判断するデータを生成します。GANは、損失関数を両方のネットワークに渡すことで学習します。

判別（$D$）ニューラルネットは、$G$によって生成されたデータが正しいかどうかを最初にどのように知るのですか？最初に$D$を訓練してからGANに追加する必要がありますか$G$ますか？

90％の精度で写真を分類できる、訓練された$D$ネットを考えてみましょう。この$D$ネットをGANに追加すると、10％の確率で画像が間違っていると分類されます。この$D$ネットでGANをトレーニングすると、画像の分類で同じ10％エラーが発生しますか？はいの場合、GANが有望な結果を示すのはなぜですか？

生成されたデータと実際のデータを比較する

Gによって生成されたすべての結果は、非常に優れたジェネレーターであっても、定義によって常に「間違っている」と見なされます。

$D$$G$結果と外部ソースからの実際の結果をかどうかを区別するようにトレーニングします。良い」と「悪い」結果、実際の結果と生成された結果を比較しています。

$D$$G$

$D$

したがって、ネットワーク期待されます$D$ ネットワークの能力を向上させる $G$ ネットワークを「だまそう」として、より良い画像（または他の種類のデータ）を生成する $D$「実際のデータ」により類似した新しいデータを作成します。ネットワークの精度についてではありません$D$まったく。精度を向上させることではなく、コンピューターがより「信じられる」データを生成する能力を向上させることです。

とはいえ、このシナリオを使用すると、ニューラルネットワークの分類能力を向上させるための優れた「監視なし」の方法になる可能性があります。これにより、ジェネレーターモデルに実データのより良い特徴を学習させ、従来の教師あり学習スキームに必要なデータははるかに少ない。