---
title: Generative Adversarial Networks
localeTitle: Redes de Publicidad Generativa
---
## Redes de Publicidad Generativa

## Visión de conjunto

Las redes de confrontación generativa (GAN) son una clase de algoritmos de [inteligencia artificial](https://en.wikipedia.org/wiki/Artificial_intelligence) utilizados en [el aprendizaje automático no supervisado](https://en.wikipedia.org/wiki/Unsupervised_machine_learning) , implementados por un sistema de dos [redes neuronales que](https://en.wikipedia.org/wiki/Neural_network) compiten entre sí en un marco de juego de suma cero. Fueron introducidos por Ian Goodfellow et al. en 2014. Esta técnica puede generar fotografías que parecen al menos superficialmente auténticas para los observadores humanos, con muchas características realistas (aunque en las pruebas las personas pueden distinguir entre lo real y lo generado en muchos casos).

## Método

Una red genera candidatos (generativos) y la otra los [evalúa](https://en.wikipedia.org/wiki/Turing_test) (discriminativos). Normalmente, la red generativa aprende a mapear desde un [espacio latente](https://en.wikipedia.org/wiki/Latent_variable) a una distribución de datos de interés particular, mientras que la red discriminativa discrimina entre las instancias de la distribución de datos reales y los candidatos producidos por el generador. El objetivo de capacitación de la red generativa es aumentar la tasa de error de la red discriminativa (es decir, "engañar" a la red discriminadora mediante la creación de nuevos casos sintetizados que parecen provenir de la verdadera distribución de datos).

En la práctica, un conjunto de datos conocido sirve como datos de entrenamiento inicial para el discriminador. Entrenar al discriminador implica presentarlo con muestras del conjunto de datos, hasta que alcance un cierto nivel de precisión. Normalmente, el generador se siembra con una entrada aleatoria que se muestrea desde un espacio latente predefinido (por ejemplo, una [distribución normal multivariada](https://en.wikipedia.org/wiki/Multivariate_normal_distribution) ). Posteriormente, las muestras sintetizadas por el generador son evaluadas por el discriminador. [La propagación hacia atrás](https://en.wikipedia.org/wiki/Backpropagation) se aplica en ambas redes para que el generador produzca mejores imágenes, mientras que el discriminador adquiere mayor habilidad para marcar imágenes sintéticas. El generador suele ser una red neuronal deconvolucional, y el discriminador es una [red neuronal convolucional](https://en.wikipedia.org/wiki/Convolutional_neural_network) .

La idea de inferir modelos en un entorno competitivo (modelo versus discriminador) fue propuesta por Li, Gauci y Gross en 2013. Su método se utiliza para la inferencia de comportamiento. Se denomina Aprendizaje de Turing, ya que el entorno es similar al de una [prueba de Turing](https://en.wikipedia.org/wiki/Turing_test) . Turing Learning es una generalización de GANs. Se pueden considerar otros modelos además de las redes neuronales. Además, los discriminadores pueden influir en los procesos a partir de los cuales se obtienen los conjuntos de datos, lo que los convierte en interrogadores activos como en la prueba de Turing. La idea de entrenamiento adversarial también se puede encontrar en trabajos anteriores, como Schmidhuber en 1992.

## Solicitud

Los GAN se han utilizado para producir muestras de imágenes [fotorrealistas](https://en.wikipedia.org/wiki/Photorealistic) con el fin de visualizar nuevos diseños de interiores / industriales, zapatos, bolsos y prendas de vestir o artículos para escenas de juegos de computadora. Estas redes fueron reportadas para ser utilizadas por Facebook. Recientemente, las GAN han modelado patrones de movimiento en video. También se han utilizado para reconstruir modelos 3D de objetos a partir de imágenes y para mejorar las imágenes astronómicas. En 2017, se usó una GAN de avance directo por convolución para mejorar la imagen utilizando la síntesis de textura automatizada en combinación con la pérdida perceptiva. El sistema se centró en texturas realistas en lugar de píxeles de precisión. El resultado fue una mayor calidad de imagen con un gran aumento.