En intelligence artificielle, les réseaux antagonistes génératifs parfois aussi appelés réseaux adverses génératifs (en anglais ou GANs) sont une classe d'algorithmes d'apprentissage non supervisé. Ces algorithmes ont été introduits par . Ils permettent de générer des images avec un fort degré de réalisme.

Un GAN est un modèle génératif où deux réseaux de neurones sont placés en compétition dans un scénario de théorie des jeux. Le premier réseau est le générateur, il génère un échantillon (ex. une image), tandis que son adversaire, le discriminateur essaie de détecter si un échantillon est réel ou bien s'il est le résultat du générateur. Ainsi, le générateur est entraîné avec comme but de tromper le discriminateur. L'apprentissage peut être modélisé comme un jeu à somme nulle.

L'apprentissage de ces réseaux est difficile en pratique, avec des problèmes importants de non convergence.

Histoire L'invention du concept actuel et son implémentation dans un prototype auraient eu lieu à Montréal, en 2014, lors d'une sortie au restaurant, par Ian Goodfellow.. Ses confrères doctorants célébraient leur diplôme et lui demandèrent assistance pour résoudre un problème de synthèse d'image..

Dans la publication originale, il écrit: "On peut comparer le modèle génératif à une équipe de faussaires qui tentent de produire de la fausse monnaie et de l'utiliser sans se faire repérer, tandis que le modèle discriminateur s'apparente à la police, qui tente de détecter la fausse monnaie. La rivalité dans ce jeu pousse les deux équipes à perfectionner leurs méthodes jusqu'à ce que les contrefaçons soient impossibles à distinguer des pièces authentiques." vignette|droite|Schéma de comment un GAN fonctionne.

Mathématiques Un GAN classique est basée sur un jeu à somme nulle entre 2 joueurs : générateur et discriminateur. Le jeu est défini sur un espace de probabilité . L'ensemble de stratégies du générateur est l'ensemble de toutes les mesures de probabilité sur , et l'ensemble de stratégies du discriminateur est l'ensemble des fonctions mesurables .

L'objectif du jeu est le suivant : Le générateur vise à le minimiser, tandis que le discriminateur vise à le maximiser.

Un théorème de base du GAN stipule que :

Il suffit alors de répéter ce jeu plusieurs fois, à chaque fois avec le générateur se déplaçant en premier suivi par le discriminateur. Chaque fois que le générateur change, le discriminateur doit s'adapter en se rapprochant de l'idéal :Puisque nous sommes vraiment intéressés par , la fonction discriminatrice est en soi plutôt inintéressante. Elle suit simplement le rapport de vraisemblance entre la distribution du générateur et la distribution de référence. À l'équilibre, le discriminateur ne fait que produire constamment, ayant renoncé à tenter de percevoir une quelconque différence. En pratique, le générateur ne pourrait jamais atteindre l'imitation parfaite, et le discriminateur serait donc motivé pour percevoir la différence, ce qui lui permet d'être utilisé pour d'autres tâches, telles que la classification d'ImageNet sans supervision.

Concrètement, dans un GAN, si on a un générateur , et un discriminateur qu'on améliore pas à pas, dénoté pour l'étape ; alors nous avons (idéalement) que : nous voyons donc que le discriminateur est en fait une limite inférieure .

En art A partir de 2016, l'artiste Grégory Chatonsky utilise des GAN pour générer des peintures abstraites ainsi que des dessins qui seront exposés lors de l'exposition Drawing after Digital à la galerie XPO à Paris. Le collectif d'artistes français Obvious utilise les GANs comme outils de création artistique. Les GANs génèrent une image fictive à partir d'une sélection d'images présentant des caractéristiques visuelles communes. Par la suite, l'image est améliorée, redéfinie pour être imprimée. La signature de leurs œuvres se caractérise par une formule mathématique indiquant la collaboration entre la technologie (associée à l'intelligence artificielle) et le processus artistique humain. Une de leurs œuvres, intitulée Portrait d'Edmond de Belamy, possiblement en l'honneur de Ian Goodfellow (dont le nom peut se traduire par « Bon ami »), a été vendue en . Le directeur de l'Institut des Carrières Artistiques (ICART) en France, Nicolas Laugero Lasserre, commente :

Au Japon, la société DataGrid utilise les réseaux antagonistes génératifs afin de générer des images de corps humains entiers..

En Espagne, l'artiste et programmeur Mario Klingemann utilise lui aussi les GANs dans sa démarche de création artistique avec son projet My Artificial Muse..

De même, l'artiste Emmanuel Guez utilise les GANs pour alimenter une série de portraits pour son projet Photo_ID...

Le groupe allemand Lindemann utilise les GANs pour le clip vidéo de Ich weiß es nicht..

En 2026, Grégory Chatonsky créé la première oeuvre d'art public pérenne utilisant l'IA . dans le cadre d'Un été au Havre.

Pour la recherche En Russie, l'Institut de physique et de technologie de Moscou développe des GANs qui seraient capables de découvrir de nouvelles structures moléculaires dans le cadre de la recherche pharmaceutique. Ils seraient employés pour exploiter au mieux les propriétés spécifiques de molécules utilisées pour la fabrication de médicaments. L'existence de cette technologie pourrait apporter pour la recherche un gain de temps et de coûts, et améliorer l'efficacité ou réduire les effets secondaires de certains médicaments comme l'aspirine.. Sur le principe, les informations sur des composés aux propriétés médicinales reconnues sont intégrées dans le Generative Adversarial Autoencodeur, une extension du GAN, ajusté pour faire ressortir ces mêmes données.

Artur Kadurin, programmeur pour le groupe Mail.ru et conseiller indépendant chez Insilico Medecine, une entreprise américaine, annonce que :

Cependant, bien que des progrès aient été notés dans l'apprentissage de ces GANs et qu'ils puissent apporter une meilleure compréhension en biologie et chimie, leur utilisation dans des essais cliniques n'est pas encore fiable..$

Variantes Il existe plusieurs variantes.

Wasserstein 

Une des variantes plus populaire est celle utilisant la distance de Wasserstein pour donner les réseaux antagonistes génératifs de Wasserstein.

Notes et références

Bibliographie

.

Catégorie:Intelligence artificielle Catégorie:Réseau de neurones artificiels Catégorie:Apprentissage automatique Catégorie:Page comportant une illustration générée par une IA