Inmersión profunda en GAN: Las matemáticas detrás de las Redes Generativas Adversarias
Esta publicación profundiza en los fundamentos matemáticos de las Redes Generativas Adversarias (GAN). Comenzando con los conceptos básicos, el autor explica meticulosamente las funciones de pérdida del generador y el discriminador, derivando condiciones para el discriminador y el generador óptimos. Utilizando herramientas matemáticas como la entropía cruzada binaria y la divergencia JS, se ilustra claramente el proceso adversarial entre el generador y el discriminador durante el entrenamiento de GAN. El objetivo final es hacer que la distribución de los datos generados sea lo más cercana posible a la de los datos reales. La publicación también presenta brevemente los métodos de entrenamiento de GAN y destaca las diferencias sutiles en las fórmulas en comparación con el artículo original de Goodfellow.