Le Generative Adversarial Networks (GAN) sono una classe di algoritmi di intelligenza artificiale utilizzati nell'apprendimento automatico. Sono un sistema di due reti neurali, un modello generativo e un modello discriminativo. Il modello generativo viene utilizzato per generare dati, mentre il modello discriminativo viene utilizzato per determinare se i dati generati sono reali o falsi. I GAN utilizzano una dinamica di gioco, in cui il modello generativo tenta di creare dati che appaiono reali, mentre il modello discriminativo tenta di riconoscere i dati come falsi.
I GAN vengono utilizzati in aree che richiedono la sintesi artificiale dei dati, inclusa la sintesi vocale, la generazione di immagini e la generazione di musica. Il modello generativo è addestrato a produrre dati che possono essere indistinguibili dai dati reali. Il modello discriminativo è addestrato per essere in grado di distinguere tra dati reali e generati artificialmente. I modelli lavorano insieme in un ciclo, in cui ciascun modello acquisisce conoscenza dall'altro, il che gli consente di migliorare le proprie prestazioni. I GAN possono generare dati con una risoluzione molto più elevata rispetto ai metodi tradizionali.
I GAN sono concetti relativamente nuovi nel campo dell'informatica, essendo stati proposti per la prima volta nel 2014. Da allora sono stati oggetto di molte ricerche e vengono utilizzati in una varietà di aree, tra cui la visione artificiale, l'elaborazione del linguaggio naturale e il design generativo. I GAN hanno mostrato un grande potenziale in una varietà di aree e probabilmente continueranno a essere uno degli algoritmi più popolari nei prossimi anni.
