📍 GAN
- Generative[생성적], Adversarial[적대적] ,Network[신경망]
노이즈 Z를 이용해 Generator가 가짜 영상을 만들면 Discriminator가 진짜 영상을 구분하는 것이다. GAN은 '비지도 학습'으로 구분된다.
생성자
- 판별기를 속이기 위해 진짜 데이터 같은 가짜 데이터를 만드는 역할을 한다.
판별자
- 진짜 데이터는 진짜로, 가짜 데이터는 가짜로 확실히 구별하기 위한 학습을 한다.
수식 이해
- G: Generator
- D: Discriminaotr
Generator는 실제 영상과 최대한 비슷한 영상을 만들어야한다. 이 두 값의 차이가 적어야하기 때문에 min 값은 최적이 되어야하고, Discriminator는 가짜 영상과 실제 영상의 차이를 크게 구분해야하기 때문에 max값이 최적이 되어야한다.
학습 방법
Generator는 속이려하고, Discriminator는 속지 않으려는 방식으로 학습된다.
1. 노이즈 z를 이용해 generator가 가짜 영상을 생성한다.
2. 가짜 영상과 진짜 영상 중 랜덤으로 discriminator의 input으로 넣고, discriminator는 이를 구분하게 된다.
[1],[2]를 반복한다.
GAN은 비지도 학습
위의 학습 방법을 보면 Generator는 정답이 없는 비지도 학습이게 되고, Discriminator는 진짜와 가짜를 비교해서 구분하기 때문에 지도 학습을 하는 것이다.
여기서 그럼 왜 GAN이 비지도 학습인가?
- 실제 데이터를 학습의 타겟으로서 넣어주기는 하지만, 그에 대한 정제된 정보, 예를들면 특성 라벨 등을 정답으로 제공하여 학습하는 형태가 아니기 때문에 비지도 학습으로 구분한다.
위조 지폐범(생성자)과 경찰 사례(판별자)를 통한 이해
💰 위조지폐범이 진짜 지폐에 노이즈 z를 섞어서 위조 지폐를 생성한다.
👮♀️ 경찰은 위조 지폐가 진짠지 가짠지 구별한다.
이 두 과정을 반복하게 되면?
💰위조 지폐범은 계속해서 더 진짜같은 위조 지폐를 만든다.
👮♀️ 경찰도 점점 더 정교한 기법으로 지폐를 판별해내게 된다.
위조 지폐범과 경찰은 서로 경쟁하며 학습시킨다. 그러므로 서로 대립관계를 가진다.
노이즈 z란?
전부 0도, 1도 아닌 여러 값이 포함된 "아무 값인 영상"이다.
yunjin.log