미미로그

이번 게시물에서는 GAN의 타당성에 대한 증명 2개를 해보겠습니다. 아직 GAN의 작동 원리에 대한 이해가 깊지 않다면 아래 게시물 ↓ 을 먼저 보고 와주세요 :) 증명에 앞서, GAN을 비롯한 모든 생성 모델 (Generative Model)의 목적을 다시 한번 떠올려보겠습니다. 내가 닮고자 하는 data의 분포와 가장 유사하도록 Generator의 분포를 형성하는것이 바로 그 목적이었습니다. 다른 말로, $P_{data}$와 $P_g$ 거리가 최소가 될 수 있도록 만들어주는 것입니다. 이를 수식으로 표현하면, ↓ $$P_{data} = P_g$$ 따라서 GAN은 아래 두가지 를 증명합니다. 1. $P_{data} = P_g$일때가 Global Optimum인가 : $P_{data}$와 gernerat..

본 글은 Ian J. Goodfellow가 2014년에 발표한 GAN(적대적 생성 신경망) 논문을 참고해서 작성했으며, 제 주관적 견해와 정보들이 정리되어 있습니다. Paper Review에 들어가기 전 GAN의 역사와 현황에 대해 간략히 말하자면, GAN이 최초로 제안된 2014년 이후로 수많은 파생 GAN들이 잇따라 발표되었으며 그 개수가 너무나도 많아(..ㅠ) 따라갈 수 있을지 의문이 든다.. GAN을 필두로 DCGAN, LSGAN 등등 GAN 역사에 한 획을 그은 연구들을 중심으로 더 리뷰할 예정이다! 다양한 GAN들을 트랙킹하고 싶다면 ☞☞☞ The-Gan-Zoo 0. Abstract 논문의 저자는 경쟁하는/적대적인 관계를 가지고 있는 두개의 모델을 동시에 훈련시키는 새로운 프레임워크를 제안한다..