Redes Adversarias Generativas (GAN)

Definición

Las GAN son una clase de modelos de aprendizaje automático donde dos redes neuronales (un generador y un discriminador) compiten para crear datos sintéticos realistas.

Propósito

El objetivo es generar datos realistas, como imágenes, audio o texto. Las GAN se utilizan en industrias creativas, aumento de datos e investigación.

Importancia

• Produce datos sintéticos de alta calidad.
• Permite la creatividad en el diseño y el arte.
• Riesgo de mal uso para deepfakes y desinformación.
• Es computacionalmente costoso de entrenar.

Cómo Funciona

1. El generador crea datos sintéticos a partir de ruido aleatorio.
2. El discriminador evalúa si los datos son reales o falsos.
3. Ambas redes se entrenan simultáneamente.
4. El generador mejora al aprender a engañar al discriminador.
5. La iteración continúa hasta que los resultados se asemejen a los datos reales.

Ejemplos (mundo real)

• NVIDIA StyleGAN: genera rostros humanos realistas.
• Aplicaciones DeepFake: creación de vídeos sintéticos.
• Imágenes médicas sintéticas para ampliar los datos de investigación.

Referencias / Lecturas adicionales

• Goodfellow et al. “Redes generativas antagónicas”. NeurIPS 2014.
• Notas de la clase de GAN de Ian Goodfellow.
• Transacciones IEEE sobre redes neuronales y sistemas de aprendizaje.