To netværk konkurrerer. Det ene genererer falske prøver. Det andet vurderer, om de er ægte. Træning presser generatoren til at narre diskriminatoren, og diskriminatoren til at fange forfalskningerne. Resultatet er en generator, der er i stand til at producere overbevisende syntetiske data.

Ian Goodfellow introducerede ideen i 2014. Den producerede hurtigt fotorealistiske ansigter, stiloverførsler og billede-til-billede-oversættelser. GAN'er drev en stor del af den tidlige begejstring omkring generativ AI.

Almindelige varianter

• DCGAN til billedgenerering
• CycleGAN for uparret oversættelse
• StyleGAN til high-fidelity-ansigter
• Betingede GAN'er til kontrolleret output

Træning er ustabil. Tilstandskollaps reducerer diversitet. Oscillation mellem generator og diskriminator forhindrer konvergens. Diffusionsmodeller har overhalet GAN'er til mange billedopgaver, men GAN'er er fortsat hurtige til inferens og nyttige i specialiserede applikationer.