GAN 학습 루프

1 / 18

적대적 생성의 아이디어: 위조범 vs 경찰

100%

What — 적대적 생성 네트워크(GAN)란?GAN은 두 신경망이 서로 경쟁(adversarial game)하며 데이터를 생성하는 프레임워크 (Goodfellow et al., 2014)생성자(Generator, G): 랜덤 노이즈 $z$로부터 가짜 데이터를 만드는 위조범판별자(Discriminator, D): 입력이 진짜인지 가짜인지 구분하는 경찰두 네트워크가 번갈아 학습하면서, G는 점점 정교한 가짜를 만들고 D는 점점 정밀하게 감별함Why — 왜 적대적 구조가 필요한가?기존 생성 모델(VAE 등)은 픽셀 단위 복원 손실을 쓰기 때문에 흐릿한(blurry) 출력을 만드는 경향이 있음GAN은 "진짜처럼 보이는가?"를 판별자가 직접 평가하므로, 선명하고 사실적인 샘플을 생성할 수 있음명시적 확률 분포를 정의하지 않아도 되므로 복잡한 고차원 데이터에 유연하게 적용 가능핵심 통찰: "좋은 생성"의 기준을 사람이 설계하지 않고, 판별자가 학습으로 발견하게 함How — 적대적 게임의 작동 원리[여기에 다이어그램]다이어그램 구성 요소:왼쪽: 잠재 벡터 $z \sim p(z)$ (가우시안 노이즈) → Generator G 블록 → 생성된 가짜 이미지 $G(z)$오른쪽 상단: 실제 데이터 $x \sim p_{data}$ (진짜 이미지)중앙: Discriminator D 블록에 진짜 $x$와 가짜 $G(z)$가 각각 입력됨출력: $D(x) \rightarrow 1$(진짜), $D(G(z)) \rightarrow 0$(가짜)으로 판별화살표 ①: D의 피드백이 G로 역전파 → G는 $D(G(z)) \rightarrow 1$이 되도록 업데이트화살표 ②: D는 진짜/가짜를 더 잘 구분하도록 업데이트하단 타임라인: 학습 초기(G 출력 = 노이즈) → 중기(윤곽 형성) → 후기(사실적 이미지)Minimax 목적 함수\min_G \max_D \; V(D, G) = \mathbb{E}_{x \sim p_{data}}[\log D(x)] + \mathbb{E}_{z \sim p_z}[\log(1 - D(G(z)))]\log D(x): D가 진짜를 진짜로 판별할 확률 → D는 이를 최대화\log(1 - D(G(z))): D가 가짜를 가짜로 판별할 확률 → D는 최대화, G는 최소화내쉬 균형(Nash Equilibrium)에 도달하면 D^{*}(x) = \frac{1}{2}, 즉 판별 불가 상태 (Goodfellow et al., 2014)위조범 vs 경찰 비유 정리라운드 1: 위조범(G)이 허술한 위조지폐 제출 → 경찰(D)이 즉시 적발라운드 N: 위조범이 점점 정교한 지폐 제작 → 경찰도 감별 기술 향상최종: 위조지폐와 진짜 지폐를 구분할 수 없는 수준에 도달이 과정에서 G는 p_{data}의 분포를 암묵적으로 학습하게 됨GAN vs VAE 핵심 차이손실 함수: VAE = 복원 + KL → 픽셀 평균화(흐릿함) / GAN = 적대적 손실 → 선명한 경계잠재 공간: VAE = 명시적 정규분포 강제 / GAN = 암묵적 학습, 구조 보장 없음학습 안정성: VAE = 안정적 수렴 / GAN = 모드 붕괴(mode collapse) 등 불안정 가능밀도 추정: VAE = 가능(ELBO) / GAN = 불가(암묵적 모델)

0:00 / 2:34

이런 분들이 찾고 있어요

이 레슨과 관련된 학습 키워드

CS/AI 전공 대학생

딥러닝 기말고사딥러닝 중간고사인공지능 전공 정리딥러닝 과제신경망 시험 대비

비전공/입문자

딥러닝 쉽게 설명딥러닝이란AI 기초 공부딥러닝 독학딥러닝 입문 추천

취준생

딥러닝 면접 질문AI 엔지니어 준비딥러닝 포트폴리오

직장인

딥러닝 실무 적용AI 업스킬링직장인 딥러닝 강의

대학원생/연구자

딥러닝 최신 동향neural network 서베이

AI 교육 플랫폼

AI 교육 플랫폼 추천AI 강의 사이트머신러닝 온라인 강의딥러닝 강의 추천

AI 독학/로드맵

AI 독학 방법머신러닝 공부 순서딥러닝 로드맵머신러닝 독학 로드맵

AI 취업/커리어

AI 취업 준비데이터 사이언티스트 강의ML 엔지니어 준비AI 면접 준비