Plongeon au cœur des GAN : les mathématiques derrière les réseaux antagonistes génératifs
Cet article explore en profondeur les fondements mathématiques des réseaux antagonistes génératifs (GAN). En commençant par les concepts de base, l'auteur explique méticuleusement les fonctions de perte du générateur et du discriminateur, en dérivant les conditions pour un discriminateur et un générateur optimaux. À l'aide d'outils mathématiques tels que l'entropie croisée binaire et la divergence JS, le processus antagoniste entre le générateur et le discriminateur pendant l'entraînement du GAN est clairement illustré. L'objectif final est de rendre la distribution des données générées aussi proche que possible de celle des données réelles. L'article présente également brièvement les méthodes d'entraînement des GAN et souligne les différences subtiles dans les formules par rapport à l'article original de Goodfellow.