Generative Adversarial Network생성적 적대 신경망

생성적 적대 신경망(Generative Adversarial Network, GAN)은 두 신경망을 서로 경쟁시키는 방식으로 실제 데이터와 구분하기 어려운 새로운 데이터를 생성하는 프레임워크다. 2014년 Ian Goodfellow가 제안했으며, 비지도 생성 모델 분야의 패러다임을 바꾼 아이디어로 평가된다.

생성자와 판별자의 적대적 학습

GAN은 두 네트워크로 구성된다. 생성자(Generator) G는 무작위 노이즈 벡터 z를 입력받아 가짜 데이터를 생성한다. 판별자(Discriminator) D는 입력이 실제 데이터인지 생성자가 만든 가짜인지를 판별한다. 훈련은 두 네트워크가 서로의 목표를 위해 경쟁하는 미니맥스(min-max) 게임으로 진행된다. 판별자는 실제를 실제로, 가짜를 가짜로 판별하는 정확도를 높이려 하고, 생성자는 판별자를 속이는 가짜를 생성하도록 학습된다. 이상적인 균형 상태(내시 균형)에서 생성자는 판별자가 50% 확률로만 구분할 수 있는 완벽한 가짜를 만들어낸다.

훈련의 어려움과 주요 응용

GAN 훈련에는 고유한 어려움이 있다. 모드 붕괴(mode collapse)는 생성자가 다양한 데이터 대신 판별자를 가장 잘 속이는 하나의 패턴만 반복 생성하는 현상이다. 생성자와 판별자의 학습 속도 불균형도 훈련을 불안정하게 만든다. 역전파를 통해 두 네트워크가 서로 연결되어 있어 기울기 흐름 관리가 중요하다. Wasserstein GAN(WGAN), StyleGAN, CycleGAN 등 다양한 개선 아키텍처가 이 문제들을 해소하며 고품질 이미지 생성, 이미지-이미지 변환, 데이터 증강 등에 활용된다.