Was sind generative Adversarial Networks?

Kategorie: Künstliche Intelligenz und ihre Disziplinen
Glossareintrag zum Thema: Generative Adversarial Networks

Ein generatives Adversarial Network (GAN) ist ein Modell der künstlichen Intelligenz, das aus zwei neuralen Netzen besteht: einem Generator und einem Diskriminator. Der Generator erzeugt neue Daten, wie zum Beispiel Bilder, während der Diskriminator die Echtheit dieser Daten bewertet. Die beiden Netze stehen im Wettbewerb miteinander, wodurch sie sich ständig verbessern und die Qualität der generierten Daten erhöhen.

Die Bezeichnung „generatives Adversarial Network“ wurde 2014 von Ian Goodfellow und seinen Kollegen geprägt. Seitdem haben GANs in verschiedenen Bereichen Anwendung gefunden, darunter Bildgenerierung, Videoanalyse, Sprachverarbeitung und sogar im Bereich der Medizin für die Generierung von medizinischen Bildern.

Synonyme für generative Adversarial Networks sind GANs, generative Konflikt-Netzwerke oder kontrafaktische Generatoren. Sie sind jedoch nicht mit anderen generativen Modellen wie Variational Autoencodern oder Auto-Regressive Modellen zu verwechseln.

Abkürzungen, die im Zusammenhang mit GANs verwendet werden, sind GAN oder auch GANs für den Plural.

Generative Adversarial Networks erfordern eine sorgfältige Trainings- und Evaluationsprozedur, da sie anfällig für das sogenannte „Mode Collapse“ sind, bei dem der Generator nur eine begrenzte Vielfalt an Daten erzeugt. Zudem ist zu beachten, dass GANs in der Lage sind, hochrealistische gefälschte Daten zu generieren, was ethische und rechtliche Fragen aufwirft, insbesondere im Bereich der Fake-News und Deepfakes.

Insgesamt handelt es sich bei generativen Adversarial Networks um einen vielversprechenden Ansatz in der künstlichen Intelligenz, der dank seines Wettbewerbsmechanismus und seiner Fähigkeit zur Generierung von realistischen Daten das Potenzial hat, verschiedene Anwendungsgebiete zu revolutionieren.