تتنافس شبكتان. إحداهما تُولّد عينات وهمية، والأخرى تُقيّم مدى صحتها. يُحفّز التدريب المُولّد على خداع المُميّز، والمُميّز على كشف البيانات الوهمية. والنتيجة هي مُولّد قادر على إنتاج بيانات اصطناعية مُقنعة.

طرح إيان غودفيلو الفكرة في عام 2014. وسرعان ما أنتجت وجوهاً واقعية للغاية، ونقل الأنماط، وتحويلات الصور. وقد ساهمت الشبكات التوليدية الخصومية (GANs) بشكل كبير في الحماس المبكر حول الذكاء الاصطناعي التوليدي.

المتغيرات الشائعة

• DCGAN لتوليد الصور
• CycleGAN للترجمة غير المزدوجة
• ستايل غان للوجوه عالية الدقة
• شبكات GAN الشرطية للتحكم في المخرجات

التدريب غير مستقر. يؤدي انهيار الأنماط إلى تقليل التنوع. يمنع التذبذب بين المولد والمميز التقارب. تفوقت نماذج الانتشار على الشبكات التوليدية الخصومية (GANs) في العديد من مهام معالجة الصور، لكن الشبكات التوليدية الخصومية لا تزال سريعة في الاستدلال ومفيدة في التطبيقات المتخصصة.