Réseaux génératifs antagonistes
Les réseaux génératifs antagonistes (GAN) est une classe d’apprentissage automatique des systèmes inventées par Ian Goodfellow et ses collègues en 2014 qui est notamment à l’origine des algorithmes de deepfake.
Dans les réseaux génératif contradictoires, deux réseaux de neurones s'affrontent dans un jeu (au sens de théorie du jeu, souvent mais pas toujours sous la forme d'un jeu à somme nulle). Étant donné un ensemble d'apprentissage, cette technique apprend à générer de nouvelles données avec les mêmes statistiques que l'ensemble d'apprentissage. Par exemple, un GAN formé à la photographie peut générer de nouvelles photographies qui semblent authentiques au moins superficiellement aux observateurs humains et qui présentent de nombreuses caractéristiques réalistes.
Bien que proposé à l’origine comme une forme de modèle génératif pour l’apprentissage non supervisé, GAN se sont également avérés utiles pour l’apprentissage semi-supervisé, pleinement apprentissage supervisé, et reinforceme nt l gain. Dans un séminaire de 2016, Yann LeCun a décrit les GAN comme "la meilleure idée en matière d’apprentissage machine des vingt dernières années".