Generative Adversarial Networks, oft abgekürzt als GANs, sind eine Klasse von künstlichen neuronalen Netzwerken, die erstmals 2014 von Ian Goodfellow und seinen Kollegen eingeführt wurden. Sie bestehen aus zwei Hauptkomponenten: einem Generator und einem Diskriminator. Diese beiden Netzwerke arbeiten gegeneinander (daher das "adversarial" in ihrem Namen), um ihre jeweilige Leistung stetig zu verbessern.
Der Generator in einem GAN erzeugt neue Daten, die von einer bestimmten Verteilung stammen sollen, zum Beispiel Bilder, die echten Fotos ähneln. Er nimmt zufällige Rauschdaten und transformiert sie durch das Netzwerk in plausible Datenpunkte. Der Diskriminator hingegen hat die Aufgabe, zwischen echten Daten (z.B. echte Fotos) und den vom Generator erzeugten künstlichen Daten zu unterscheiden. Beide Netzwerke werden gleichzeitig trainiert: Der Generator versucht, den Diskriminator zu täuschen, während der Diskriminator versucht, sich nicht täuschen zu lassen.
Während des Trainingsprozesses verbessern sich der Generator und der Diskriminator kontinuierlich miteinander. Der Generator verbessert seine Fähigkeiten, realistische Daten zu erzeugen, da er von den Fehlern lernt, die der Diskriminator identifiziert. Gleichzeitig wird der Diskriminator besser darin, zwischen echten und gefälschten Daten zu unterscheiden. Mit der Zeit resultiert dieser Prozess in einem Generator, der in der Lage ist, außerordentlich realistische Daten zu produzieren.
GANs haben eine breite Palette von Anwendungen, insbesondere im Bereich der Bild- und Videogenerierung. Sie werden verwendet, um realistische Bilder, Kunstwerke, sogar menschliche Gesichter zu erzeugen, die es so nicht gibt. Darüber hinaus finden sie Anwendung in der Datenanonymisierung, im Bereich der kreativen Künstlichen Intelligenz und in der medizinischen Bildgebung. Durch ihre Struktur und ihren iterativen Trainingsprozess haben GANs das Potenzial, in vielen Bereichen beeindruckende und nützliche Ergebnisse zu erzielen.