목차

• 1. GAN (Generative Adversarial Network)
• 2. 생성자(Generator)의 역할
• 3. 판별자(Discriminator)의 역할
• 4. Generator와 Discriminator의 관계 (적대적 학습)
  • 학습 흐름
• 5. 핵심 정리

---

1. GAN (Generative Adversarial Network)

두 개의 신경망이 서로 경쟁(adversarial)하면서 학습하는 생성 모델

Generator (생성자)와 Discriminator (판별자), 이 두 네트워크가 게임 이론적 구조로 함께 학습된다.

2. 생성자(Generator)의 역할

Generator(G)는 무작위 노이즈 벡터 zzz를 입력받아 실제 데이터 분포와 유사한 가짜 데이터(fake data)를 생성하는 모델.

진짜처럼 보이는 가짜를 만드는 역할로써, 처음에는 엉성한 이미지를 생성하지만 판별자에게로 인해 점점 개선된다.

Generator의 학습 목표는 판별자가 생성 결과를 진짜라고 착각하게 만드는 것이다.

3. 판별자(Discriminator)의 역할

Discriminator(D)는 입력된 데이터가 진짜(real)인지, 생성자가 만든 가짜(fake)인지를 판별하는 이진 분류기.

출력 값이 1에 가까울수록 진짜, 0에 가까울수록 가짜.

이 데이터가 진짜인지 가짜인지 감별하는 역할로써, 진짜 데이터와 가짜 데이터를 모두 보고 학습하고 점점 더 날카로운 감별 능력을 갖게 된다.

Discriminator의 학습 목표는 진짜와 가짜를 정확히 구분하는 것이다.

4. Generator와 Discriminator의 관계 (적대적 학습)

GAN의 핵심은 두 네트워크의 경쟁 구조다.

학습 흐름

1. Generator가 가짜 데이터를 생성
2. Discriminator가 진짜/가짜 판별
3. 판별 결과를 바탕으로
   • Discriminator는 더 잘 구분하도록 학습
   • Generator는 더 잘 속이도록 학습

이 과정이 반복된다.

판별 정확도 ≈ 50%라면 이는 Generator가 실제 데이터 분포를 잘 학습했다는 의미이다.

5. 핵심 정리

• Generator는 가짜 데이터를 생성
• Discriminator는 진짜/가짜를 판별
• 두 모델은 서로 경쟁하며 함께 발전
• Generator는 “속이기”, Discriminator는 “구분하기”가 목표