이 논문에서는 적대적 방식을 통해서 생성 모델을 추정하는 새로운 framework를 제안
이 framework에서는 두개의 model을 동시에 훈련한다.
이 framework의 목표는 $G$가 생성한 데이터를 $D$가 구분을 못하는 확률을 최대화 하는 것이다.
해당 framework는 각각 두명의 사용자의 최대최소를 서로 확인하는 것과 연관되어있다.
의 조합으로 이루어져 있다는 말이다.
임의의 함수 $G$, $D$에 대해서
만약 $G$와 $D$가 multilayer perceptron(딥러닝에 있는 여러 layer로 이루어진 단순 모델)이라면 전체 시스템은 backpropagation(역전파)로 훈련이 가능하다.
모델을 생성하거나 훈련할 때 Markov chain이나 unrolled approximate inference가 필요없다.
<aside> 💡 Markov chain과 approximate inference에 대해서 알아봐야할듯.
</aside>
GAN: Generative Adversarial Networks (꼼꼼한 딥러닝 논문 리뷰와 코드 실습)
지금까지 딥러닝 분야에서 가장 성공적인 부분은 Discriminative model 분야이다.
기존의 생성 모델은 그렇게 큰 영향력을 미치지 못했다.
때문에.
해당 생성모델의 어려움 때문에 우리는 새로운 생성모델 추정 절차를 제안한다.
제안한 적대적인 nets 프레임워크에서 생성 모델은 서로 적대적으로 학습한다.
이러한 경쟁은 생성 모델이 만든 가짜가 진짜랑 구별이 안될정도로 정교한 데이터를 만들 때까지 각자 모델을 발전시킨다.
해당 논문에서는 G와 D모두 다층 퍼셉트론으로 이루어진 특수한 경우의 모델에 대해서 알아볼것이다.