🔗 관련 문서: Wikipedia - Generative Adversarial Network

GAN (Generative Adversarial Network)

GAN은 생성 모델 중 하나로, 두 개의 신경망 모델인 생성자(Generator)와 판별자(Discriminator)가 서로 경쟁하는 방식으로 학습이 이루어진다.

생성자는 가능한 한 진짜 같은 가짜 데이터를 생성하려 하며, 판별자는 입력된 데이터가 실제(real)인지 생성된(fake) 것인지를 구분하려 한다.

(1) 정의와 개념 구조

GAN은 Ian Goodfellow가 2014년에 제안한 생성 모델로, 확률 분포를 학습하여 새로운 데이터를 생성할 수 있도록 설계되었다.

생성자는 노이즈로부터 실제와 유사한 데이터를 생성하고, 판별자는 주어진 데이터가 진짜인지 가짜인지를 구분한다. 이 두 모델은 적대적 학습(adversarial learning)을 통해 동시에 발전한다.

(2) 작동 원리

1. 무작위 노이즈를 생성자에 입력하여 가짜 데이터를 만든다.
2. 진짜 데이터와 가짜 데이터를 판별자에 입력한다.
3. 판별자는 두 데이터를 구분하려 하고, 생성자는 속이려고 학습한다.
4. 두 모델은 반복적으로 학습되며, 생성자는 점점 더 실제와 유사한 데이터를 만들어낸다.

(3) 장점과 한계

장점

• 고해상도 이미지나 실제와 유사한 데이터 생성에 매우 효과적이다.
• 지도 학습 데이터 없이도 학습할 수 있다.
• 창작, 시뮬레이션 등 다양한 응용 분야에 활용 가능하다.

한계

• 학습이 불안정하며, 모드 붕괴(Mode Collapse)가 발생할 수 있다.
• 균형 있는 학습을 위한 하이퍼파라미터 조정이 어렵다.

(4) 개념도

다음 그림은 GAN의 작동 구조를 시각적으로 설명한 개념도이다.