# Generative Adversarial Nets (GAN)

Die von Ian Goodfellow et al. 2014 vorgestellten Generative Adversarial Nets [GOOD14] stellen eine neuere Entwicklung im Bereich deep learning dar.

Sie bestehen aus zwei getrennten neuralen Netzwerken: einem generativem und einem diskriminativem Netzwerk.

In einem beliebten Beispiel würde ein discriminator Netzwerk versuchen echte Werke eines Kunstmalers, von Fälschungen zu unterscheiden. Das generator Netzwerk, dass die Eingabedaten für den discriminator liefert, würde wiederum versuchen immer bessere Fälschungen zu erzeugen. Aus dem Zusammenspiel der beiden Netzwerke, lernt das discriminator Netzwerk immer besser zwischen Echtheit und Fälschung zu unterscheiden, während das generator Netzwerk immer bessere Fälschungen konstruiert.

Anwendung findet dieser Ansatz vorallem wenn nicht genügend Trainingsdaten vorhanden sind bzw. sich durch eine Vervielfachung bedeutend stabilere Modelle trainieren lassen. Der Erfolg von Deep Learning beruht auf einer enorm großen Anzahl an Daten um generalisieren zu können. Ein generatives Netz kann aus einem bestehenden Trainingsdatensatz eine vielfache Anzahl an neuen Daten erzeugen. (augmentation)

# Quellen:

[GOOD14]: Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., & Bengio, Y. (2014). Generative adversarial nets. URL: http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf

[LEDI17]: Ledig, C., Theis, L., Huszár, F., Caballero, J., Cunningham, A., Acosta, A., ... & Shi, W. (2017). Photo-realistic single image super-resolution using a generative adversarial network. arXiv preprint. URL: http://openaccess.thecvf.com/content_cvpr_2017/papers/Ledig_Photo-Realistic_Single_Image_CVPR_2017_paper.pdf