Red generativa antagónica (GAN)
Sistema de dos redes neuronales que compiten entre sí: una crea falsificaciones y la otra intenta detectarlas, hasta que las falsificaciones resultan convincentes.
Explicado fácil
Una GAN pone a dos redes a jugar un juego. Una es el falsificador, que intenta crear imágenes falsas creíbles. La otra es el detective, que intenta distinguir las falsas de las reales. Al competir, ambas mejoran.
Una analogía
Un falsificador de billetes y un policía que los examina. Cada vez que el policía descubre un fallo, el falsificador perfecciona su técnica; cada mejora del falsificador obliga al policía a afinar su ojo. Al final, los billetes falsos son casi indistinguibles.
Un ejemplo
Los primeros rostros “de personas que no existen” generados por IA se crearon con GAN. También se han usado para mejorar la resolución de imágenes o para aumentar conjuntos de datos.
Cómo funciona (nivel técnico)
Propuestas por Ian Goodfellow en 2014, constan de un generador G que transforma ruido aleatorio en una muestra, y un discriminador D que estima la probabilidad de que una muestra sea real. Se entrenan en un juego de suma cero: D maximiza su acierto y G lo minimiza. El entrenamiento es inestable y propenso al colapso de modos (el generador produce poca variedad). Desde 2021 los modelos de difusión han sustituido en gran parte a las GAN en generación de imágenes por su estabilidad y calidad.
Errores comunes
- Pensar que son lo más moderno en generación de imágenes: hoy dominan otras técnicas.
- Confundirlas con los deepfakes en general: las GAN son una técnica que puede usarse para crearlos, no la única.