Estoy leyendo sobre redes de confrontación generativa (GAN) y tengo algunas dudas al respecto. Hasta ahora, entiendo que en una GAN hay dos tipos diferentes de redes neuronales: una es generativa ( $G$ ) y la otra discriminativa ( $D$ ). La red neuronal generativa genera algunos datos que la red neuronal discriminatoria juzga correcta. La GAN aprende pasando la función de pérdida a ambas redes.

¿Cómo saben inicialmente las redes neuronales discriminatorias ( $D$ ) si los datos producidos por $G$ son correctos o no? ¿Tenemos que entrenar la $D$ primero y luego agregarla a la GAN con $G$ ?

Consideremos mi red $D$ entrenada , que puede clasificar una imagen con un 90% de precisión porcentual. Si agregamos esta red $D$ a una GAN, hay un 10% de probabilidad de que clasifique una imagen incorrectamente. Si entrenamos una GAN con esta red $D$ , ¿tendrá también el mismo error del 10% al clasificar una imagen? En caso afirmativo, ¿por qué las GAN muestran resultados prometedores?

Comparar datos generados y reales

Todos los resultados producidos por G siempre se consideran "incorrectos" por definición, incluso para un muy buen generador.

$D$$G$

$D$$G$

$D$

$D$$G$$D$$D$

Dicho esto, el uso de este escenario podría ser una buena forma "no supervisada" de mejorar el poder de clasificación de las redes neuronales, ya que obliga al modelo generador a aprender mejores características de los datos reales y a aprender a distinguir entre las características reales y el ruido, utilizando Se necesitan muchos menos datos para un esquema de aprendizaje supervisado tradicional.