¿Cuál es la diferencia clave entre un autoencoder variacional y una red adversa generativa, y cuándo debo usar cada modelo?

GAN: una red neuronal, llamada generador , genera nuevas instancias de datos, mientras que la otra, el discriminador , las evalúa para verificar su autenticidad; es decir, el discriminador decide si cada instancia de datos que revisa pertenece o no al conjunto de datos de capacitación real.

Digamos que estamos tratando de hacer algo más banal que imitar a la Mona Lisa. Vamos a generar números escritos a mano como los que se encuentran en el conjunto de datos MNIST, que se toma del mundo real. El objetivo del discriminador, cuando se muestra una instancia del verdadero conjunto de datos MNIST, es reconocerlos como auténticos.

Mientras tanto, el generador está creando nuevas imágenes que pasa al discriminador. Lo hace con la esperanza de que ellos también sean considerados auténticos, aunque sean falsos. El objetivo del generador es generar dígitos pasables escritos a mano, para mentir sin ser atrapado. El objetivo del discriminador es identificar las imágenes que provienen del generador como falsas.

Estos son los pasos que toma una GAN:

• El generador toma números aleatorios y devuelve una imagen.
• Esta imagen generada se alimenta al discriminador junto con una secuencia de imágenes tomadas del conjunto de datos real.
• El discriminador toma imágenes reales y falsas y devuelve probabilidades, un número entre 0 y 1, donde 1 representa una predicción de autenticidad y 0 representa falso.

Entonces tienes un doble circuito de retroalimentación:

• El discriminador está en un bucle de retroalimentación con la verdad básica de las imágenes, que sabemos.
• El generador está en un circuito de retroalimentación con el discriminador.