생성 모델2014

생성적 적대 신경망 (GAN)

이안 굿펠로우가 생성자와 판별자의 적대적 학습을 제안

GAN 구조: Generator가 가짜 데이터를 생성하고 Discriminator가 판별 (Wikimedia Commons, CC BY-SA)

GAN은 생성자(Generator)가 가짜 데이터를 만들고, 판별자(Discriminator)가 진짜와 가짜를 구분하는 게임 이론 기반의 학습 방법입니다.

GAN 목적함수

\min_G \max_D \; \mathbb{E}[\log D(x)] + \mathbb{E}[\log(1 - D(G(z)))]

G=생성자(Generator) — 가짜 데이터를 만드는 네트워크

D=판별자(Discriminator) — 진짜/가짜를 구분하는 네트워크

x=실제 데이터 샘플

z=랜덤 노이즈 — 생성자의 입력 (씨앗)

G(z)=노이즈 z로부터 생성된 가짜 데이터

D(x)=판별자가 x를 진짜로 판단할 확률

min_G max_D=G는 D를 속이려 하고, D는 정확히 구분하려는 적대적 게임

생성자(Generator)

랜덤 노이즈로부터 사실적인 데이터를 생성하는 네트워크

판별자(Discriminator)

입력 데이터가 진짜인지 가짜인지 판별하는 네트워크

내쉬 균형

생성자와 판별자가 더 이상 개선할 수 없는 게임 이론적 균형 상태

이

이안 굿펠로우

GAN 발명 (2014, 몬트리올 대학)

요

요슈아 벤지오

GAN 논문 공동 저자, '딥러닝 삼인방' 중 한 명

사실적인 이미지 생성의 시대를 열었으며, StyleGAN, Pix2Pix, CycleGAN 등 수많은 변형이 등장. 딥페이크 등 사회적 이슈도 함께 제기되었습니다.

GANGenerative Adversarial Network

생성적 적대 신경망. 생성자와 판별자가 경쟁하며 학습하는 생성 모델

GeneratorGenerator (생성자)

랜덤 노이즈(z)로부터 가짜 데이터를 생성하는 네트워크

DiscriminatorDiscriminator (판별자)

입력이 진짜인지 가짜인지 판별하는 네트워크. 확률값(0~1) 출력

내쉬 균형Nash Equilibrium

두 플레이어가 더 이상 전략을 바꿀 유인이 없는 게임 이론적 균형 상태

모드 붕괴Mode Collapse

생성자가 다양한 출력 대신 소수의 패턴만 반복 생성하는 GAN의 고질적 문제

AI 발전사