Generative Adversarial Networks (GAN)

Definizione

Le GAN sono una classe di modelli di apprendimento automatico in cui due reti neurali, un generatore e un discriminatore, competono per creare dati sintetici realistici.

Missione

Lo scopo è generare dati realistici come immagini, audio o testo. Le reti GAN sono utilizzate nei settori creativi, nell'aumento dei dati e nella ricerca.

Importanza

• Produce dati sintetici di alta qualità.
• Favorisce la creatività nel design e nell'arte.
• Rischio di abuso per deepfake e disinformazione.
• La formazione è computazionalmente costosa.

Come funziona

1. Il generatore crea dati sintetici a partire da rumore casuale.
2. Il discriminatore valuta se i dati sono reali o falsi.
3. Entrambe le reti vengono addestrate simultaneamente.
4. Il generatore migliora imparando a ingannare il discriminatore.
5. L'iterazione continua finché i risultati non assomigliano ai dati reali.

Esempi (mondo reale)

• NVIDIA StyleGAN: genera volti umani realistici.
• Applicazioni DeepFake: creazione di video sintetici.
• Immagini mediche sintetiche per l'aumento dei dati di ricerca.

Riferimenti / Ulteriori letture

• Goodfellow et al. “Reti generative avversarie”. NeurIPS 2014.
• Appunti della lezione GAN di Ian Goodfellow.
• Transazioni IEEE su reti neurali e sistemi di apprendimento.