Réseau antagoniste génératif

Réseau antagoniste génératif : Les réseaux antagonistes génératifs ou GANs (Generative Adversarial Network), sont des algorithmes d’apprentissage non supervisé à base de réseaux de neurones artificiels, qui permettent de modéliser et d’imiter n’importe quelle distribution de données. Ils peuvent être utilisés dans différents domaines (traitement d’images, de texte, de sons, …). Depuis leur invention en 2014, les GANs ont suscité un grand intérêt et plusieurs chercheurs ont souligné leur potentiel ¹.

Les GANs sont des modèles dits génératifs qui diffèrent des techniques traditionnelles d’analyse de données comme la classification. Alors que cette technique vise à apprendre à discriminer les données issues de différentes classes en fonction de leurs descripteurs, les algorithmes génératifs visent à faire le contraire : étant donnée une classe, les GANs cherchent à générer des données qui lui seraient associées.

Exemple : imaginons que l’on possède une base de données composée de peintures de différentes époques, parmis lesquels des tableaux de Jérôme Bosch. On pourrait entraîner un algorithme de classification pour déterminer si un nouveau tableau a été peint par Bosch ou non. On pourrait également entraîner un algorithme génératif pour créer de nouveaux tableaux dans le style de Bosch.

Concrètement, l’architecture d’un GAN est composée de deux réseaux de neurones, mis en compétition (voir schéma ci-dessous). Le premier, appelé générateur, crée un échantillon de données. Dans l’exemple précédent, ce serait un faux tableau avec le style de Bosch. Le deuxième réseau, appelé discriminateur, tente de détecter si cet échantillon est originel ou s’il s’agit d’une création de son “adversaire”, le générateur. Ainsi dans notre exemple, le discriminateur essayerait de détecter si une image est une peinture réalisée par Bosch ou s’il s’agit d’une peinture produite par le générateur.

En pratique, il est souvent conseillé d’entraîner chaque réseau d’un GAN contre un adversaire statique, autrement dit, d’entraîner le discriminateur seul, puis le générateur seul. De plus il est souvent déconseillé d’utiliser un discriminateur trop performant pour entraîner un générateur faible et inversement. L’idéal est que les deux adversaires aient des performances comparables et puissent apprendre ensemble.

¹ Yann LeCun, directeur de l’équipe de recherche de Facebook s’est référé aux GANs comme “The most interesting idea in the last 10 years in ML” (l’idée la plus intéressante au cours de ces dix dernières années en Machine Learning).