
Generative adversarial networks are a machine learning method where two neural networks compete to generate realistic synthetic data.شبكات الخصومة التوليدية (GAN) هي معمارية تتألف من شبكتين عصبيتين تلعبان لعبة الحد الأدنى والأقصى: يحاول المولد G خداع المُميِّز D عبر إنتاج بيانات تبدو حقيقية، بينما يتعلم D التمييز بين البيانات الحقيقية والمزيفة. يتحقق التوازن عندما يعيد G إنتاج توزيع البيانات الحقيقية بدقة عالية لدرجة أن D يعجز عن التمييز، فتنخفض دقته إلى مستوى التخمين العشوائي (50%). يشبه الأمر سباق تسلح بين مُزيِّف الأوراق النقدية وخبير المصرف، حيث يرفع كل طرف مستوى التحدي.
اقترحها إيان جودفيلو وزملاؤه (2014) كوسيلة لتدريب النماذج التوليدية دون الحاجة إلى نمذجة صريحة لتوزيع البيانات. تعود الفكرة إلى الألعاب التنافسية ونظرية الحد الأدنى والأقصى. سرعان ما اكتسبت شعبية لقدرتها على توليد صور وأصوات ومقاطع فيديو واقعية. وقد عالجت التعديلات اللاحقة — مثل DCGAN و StyleGAN و CycleGAN — مشكلات عدم استقرار التدريب ورفعت الجودة.
أثناء التدريب، يتم تحديث G و D بالتناوب. يتلقى المُميِّز عينة حقيقية ومخرجات المولد، ويحسب خسارته (دالة الخطأ اللوجستي). يضبط المولد أوزانه بهدف تعظيم خطأ المُميِّز — أي لجعل المُنتج المزيف يبدو حقيقيًا. تمر التدرجات من D عبر G، مما يُشكل تمثيلاً كامنًا. من المشكلات: تلاشي التدرجات عندما يكون D قويًا جدًا، لذا تُستخدم دوال خسارة غير معيارية (مثل Wasserstein GAN).
توليد وجوه واقعية، وتصميم أزياء، وتحسين الصور الطبية — في كل مجال يتطلب إكمال التفاصيل بشكل مقنع.
أكثر عمليات التزييف العميق إثارة للإعجاب واستعادة الأفلام القديمة تعود إلى شبكات GAN.
| x | متغير | data sample — sample |
| z | متغير | latent variable sample — latent variable |
| D(x) | متغير | discriminator output for real data — discriminator output |
| G(z) | متغير | generator output for latent variable — generator output |
| V(D,G) | متغير | value function of the game — value function |
| min_G | مؤثر | minimize with respect to generator parameters — minimization over generator |
| max_D | مؤثر | maximize with respect to discriminator parameters — maximization over discriminator |
| E_{x~p_data} | مؤثر | expectation over the empirical data distribution — expectation over data distribution |
| E_{z~p_z} | مؤثر | expectation over the latent prior distribution — expectation over latent distribution |
| log | مؤثر | natural logarithm — اللوغاريتم |



















