Δύο δίκτυα ανταγωνίζονται. Το ένα παράγει ψεύτικα δείγματα. Το άλλο κρίνει αν είναι πραγματικά. Η εκπαίδευση ωθεί τη γεννήτρια να ξεγελάσει τον διακριτική ελεγκτή και τον διακριτική ελεγκτή να εντοπίσει τα ψεύτικα. Το αποτέλεσμα είναι μια γεννήτρια ικανή να παράγει πειστικά συνθετικά δεδομένα.

Ο Ian Goodfellow παρουσίασε την ιδέα το 2014. Γρήγορα παρήγαγε φωτορεαλιστικά πρόσωπα, μεταφορές στυλ και μεταφράσεις εικόνας σε εικόνα. Τα GAN τροφοδότησαν μεγάλο μέρος του πρώιμου ενθουσιασμού γύρω από την παραγωγική Τεχνητή Νοημοσύνη.

Κοινές παραλλαγές

• DCGAN για δημιουργία εικόνας
• CycleGAN για μη ζευγαρωμένη μετάφραση
• StyleGAN για πρόσωπα υψηλής πιστότητας
• Υπό όρους GAN για ελεγχόμενη έξοδο

Η εκπαίδευση είναι ασταθής. Η κατάρρευση της λειτουργίας μειώνει την ποικιλομορφία. Η ταλάντωση μεταξύ της γεννήτριας και του διακριτή εμποδίζει τη σύγκλιση. Τα μοντέλα διάχυσης έχουν ξεπεράσει τα GAN για πολλές εργασίες εικόνας, αλλά τα GAN παραμένουν γρήγορα στην εξαγωγή συμπερασμάτων και χρήσιμα σε εξειδικευμένες εφαρμογές.