شبکه های زایای دشمن گونه

شبکه های زایای دشمن گونه، شبکه های زایای رودررو، شبکه های زایای رقابتی یا شبکه های زایای صفر ( به انگلیسی: Generative Adversarial Networks ) ، یک کلاس از چارچوب های یادگیری ماشین است که ایان گودفلو و همکارانش در سال ۲۰۱۴ آن را پیشنهاد کردند. در این کلاس، دو شبکه عصبی در یک بازی روبروی یکدیگر قرار می گیرند ( در چارچوب یک بازی با گردایش صفر، که آن را به نام بازی با مجموع صفر نیز در حوزهٔ نظریه بازی ها می شناسیم، در چنین بازی هایی سود یک بازیکن به ضرر بازیکن دیگر است و هر گاه بازیکنی یک امتیاز می گیرد در واقع امتیازی از بازیکن مقابل کم می شود در نتیجه همواره مجموع امتیازات صفر است ) .
در این روش شبکه فرا می گیرد که چگونه از داده های آموزش، داده های جدیدی به وجود بیاورد که از دید آماری داده های آموزش و به وجود آمده همسان باشند. به عبارت دیگر، روش در نهایت قرار است داده هایی که برای آموزش استفاده می شوند و خروجی شبکه از لحاظ برخی ویژگی ها شباهت داشته باشند، وظیفه تولید خروجی بر عهدهٔ بخش زایا و وظیفهٔ بررسی کافی بودن این شباهت بر عهدهٔ بخش دشمن گونه است، مانند یک بازی که اگر بخش دشمن گونه بتواند حدس بزند که ورودی اصلی شبکه با خروجی ساخته شده توسط بخش زایا اختلاف دارند یا به عبارتی همسان نیستند، برنده می شود و بخش زایا ناچار است تا خروجی بهتری تولید کند تا جایی که بخش زایا بتواند بخش دشمن گونه را بفریبد در نتیجه بازی تمام شود.
برای نمونه، شبکه های مولد رقابتی آموزش یافته می تواند عکس های جدیدی را به وجود آورد که از دید بیننده درست باشد و بسیاری از ویژگی های داده های آموزشی را در بر بگیرد. تصور کنید قرار است از تصاویر با وضوح پایین تصاویر با وضوح بالای معادل آنها را بسازیم که علاوه بر بزرگتر بودن و با کیفیت تر بودن دقیقاً معادل تصویر ورودی باشد در چنین شرایطی شبکه زایای دشمن گونه بسیار مفید و کمک کننده است.
گرچه در ابتدا یک گونه از مدل زایا برای یادگیری بدون ناظر ( Unsupervised learning ) پیشنهاد شده بود، ولی شبکه های زایای دشمن گونه برای یادگیری نیمه نظارتی ( Semi - supervised learning ) ، یادگیری با ناظر[ ۱] ( Supervised learning ) و یادگیری تقویتی[ ۲] ( Reinforcement learning ) نیز می تواند مفید باشد.
ایده بنیادی شبکه های مولد رقابتی بر پایه آموزش «ناراسته» با جداکننده می باشد که خود نیز در فرایند آموزش بگونه پویا در حال به روزرسانی می باشد. [ ۳] بدین سان شبکه مولد به جای اینکه در پی کاهش فاصله با یک عکس باشد، در تلاش برای گمراه کردن شبکه تفکیک کننده خواهد بود؛ بنابراین، مدل توانمند می شود تا به روش بدون ناظر به وجود آوردن عکس ها را فرا بگیرد.