Generative Adversarial Network (GAN) — generator va discriminator deb ataluvchi ikki neural networkning raqobatli trainingi orqali data distributioniga o‘xshash yangi sample yaratadigan generativ model oilasi. Generator random latent vector’dan synthetic sample hosil qiladi, discriminator esa real training sample bilan synthetic sample’ni ajratishga urinadi.
Minimax training
Asl formulada discriminator real data uchun katta, generator sample’i uchun kichik probability berishni o‘rganadi. Generator discriminatorni aldashga intiladi. Bu ikki o‘yinchi minimax objective bilan ifodalanadi. Amalda generator uchun saturating gradient muammosini kamaytiradigan non-saturating loss ko‘p qo‘llanadi.
Training navbatma-navbat bajariladi: real va fake batch bilan discriminator yangilanadi, so‘ng discriminator weightlari vaqtincha o‘zgarmagan holda generator yangilanadi. Gradient discriminator orqali generatorga qaytadi. Agar discriminator juda kuchli bo‘lib ketsa generator foydali gradient olmaydi; juda zaif bo‘lsa generator sifat mezonini o‘rganmaydi.
Arxitektura
Image GAN’da generator latent vectorni upsampling va convolution orqali rasmga aylantiradi. Discriminator convolution bilan rasmni feature’ga siqadi. DCGAN convolutional design qoidalarini ommalashtirgan. Conditional GAN class label, text yoki boshqa contextni ikkala networkka berib, boshqariladigan sample yaratadi.
Audio GAN waveform yoki spectrogram yaratishi mumkin. Time-domain discriminator periodik va multi-scale patternlarni tekshiradi. Super-resolution GAN past resolution inputdan yuqori detail tiklaydi. Image-to-image translation’da generator bir domain sample’ini boshqasiga o‘tkazadi.
Barqarorlik muammolari
GAN loss oddiy supervised loss kabi bevosita sifat ko‘rsatkichi emas. Generator va discriminator bir vaqtda o‘zgargani uchun objective non-stationary. Oscillation, gradient explosion, vanishing gradient va mode collapse kuzatiladi. Mode collapse generatorning turli latent inputlarga juda o‘xshash oz sonli output berishidir.
Wasserstein GAN Earth Mover masofasiga yaqin critic objective ishlatib gradientni barqarorlashtiradi. Gradient penalty Lipschitz cheklovini yumshoq tarzda ta’minlaydi. Spectral normalization discriminator layerlarining operator normini nazorat qiladi. Label smoothing, balanced update ratio, data augmentation va exponential moving average ham yordam berishi mumkin.
Baholash
Image generationda Fréchet Inception Distance real va generated embedding distributionlari orasidagi farqni o‘lchaydi. Inception Score classifiability va diversity’ni taxmin qiladi, ammo datasetga bog‘liq. Precision generated sample sifatini, recall esa real distribution qamrovini ko‘rsatishga urinadi. Human evaluation realness, preference va task suitability uchun zarur.
Memorizationni tekshirish muhim: generated sample training recordga juda yaqin bo‘lishi privacy va copyright xavfini tug‘diradi. Nearest-neighbor ko‘rigi yetarli bo‘lmasligi mumkin, membership inference va duplicate detection qo‘shimcha dalil beradi. Har metrika feature extractor bias’ini meros qilib oladi.
Qo‘llanish va xavf
GAN synthetic image, data augmentation, style transfer, inpainting, super-resolution, anomaly detection va audio synthesisda ishlatiladi. Tibbiy yoki sanoat synthetic data real kam uchraydigan holatlarni to‘liq ifodalamasligi mumkin. Deepfake va identity imitation roziliksiz zarar yetkazadi. Data litsenziyasi, consent, provenance, watermarking va output moderation texnik pipeline bilan birga ko‘riladi. Synthetic sample haqiqat dalili yoki real populationning xolis nusxasi sifatida avtomatik qabul qilinmaydi.
Tajriba dizayni
GAN natijasi random seed va training checkpointga sezgir bo‘lishi mumkin. Bir konfiguratsiyani bitta muvaffaqiyatli run bilan baholash selection bias yaratadi. Bir nechta seed bo‘yicha median va dispersiya ko‘rsatiladi, sample tanlash qoidasi oldindan belgilanadi. Evaluation uchun generatorning exponential moving average weightlari ishlatilgan bo‘lsa bu ham qayd etiladi. Real va generated sample bir xil preprocessingdan o‘tadi; aks holda FID format farqini model sifati deb o‘lchashi mumkin.
Bog‘liq tushunchalar
Generator, Discriminator, Latent space, Mode collapse, DCGAN, Conditional GAN, Wasserstein GAN