GAN(Generative Adversarial Network): 생성적 적대 신경망, GAN의 장점과 활용

GAN(Generative Adversarial Network): 생성적 적대 신경망, GAN의 장점과 활용

1. GAN(Generative Adversarial Network)

GAN은 생성적 적대 신경망을 말하며 두 신경망이 계속해서 경쟁하고 학습하여 실제와 같은 결과물을 만드는 신경망을 말한다. 두 모델을 생성자(Generator)와 감별자(Discriminator)이다. GAN모델은 생성자 감별자 이 두모델을 통해 실제와 같은 거짓데이터를 만드는 것이 목적이다. 이안 굿펠로우는 이 두모델을 가짜 지폐를 만들어내는 위조지폐범, 가짜 지폐가 무엇인지 찾아내는 경찰로 비유하였고 이 둘을 통해 실제와 유사한 지폐를 만들어내는 것으로 비유하였다.

{"originWidth":850,"originHeight":385,"style":"alignCenter","link":"http://Typical Generative Adversarial Networks (GAN) architecture.

1.1) 생성자(Generator)

생성자는 실제와 가까운 거짓 데이터를 생성하는 모델이다. 생성자는 실제 데이터를 학습하고 랜덤한 노이즈로부터 벡터를 추출하여 이미지 샘플을 만들어 실제 데이터를 바탕으로 거짓 데이터를 만들어내며 이미지나 음성까지도 만들어낼 수 있다.

1.2) 감별자(Discriminator)

감별자는 생성자에서 만들어낸 데이터가 실제인지 거짓인지 판별하는 모델이다. 지속된 학습을 통해 생성자는 실제와 같은 데이터를 만들어내고, 감별자는 실제데이터와 가까운 거짓데이터도 진짜 데이터라고 판별한다. 각 데이터에 레이블을 한 뒤 인공지능을 이용해 데이터를 예측하고 분류하는 인공지능을 말한다.

2. GAN의 장점

대부분의 AI는 라벨링 작업을 필요로 하는 지도학습 방식으로 진행되며, 라벨링 작업이란 사람이 직접 데이터에 박스를 친 후 어떤 데이터인지 표시를 해주는 작업을 말한다. 이처럼 기존 지도학습은 사람이 AI가 학습을 잘 할 수 있도록 데이터를 가공하는 작업이 필요하다. GAN은 이러한 라벨링 작업을 진행하지 않아도 두 모델이 경쟁을 통해 스스로 학습한다. 대량의 데이터를 라벨링 하는 작업이 없어도 AI가 학습을 할 수 있기 때문에 하나하나 데이터 라벨링을 해야하는 방법과는 달리 데이터 학습에 효과가 크다.

3. GAN의 활용

GAN은 실제 사진이 아닌 것 거짓 데이터를 실제처럼 만드는 것에 활용도가 높다. 가지고 있는 실제 데이터를 바탕으로 기존에 가지고 있지 않은 다양한 데이터를 만들어낼 수 있으며 GAN 관련 많은 연구와 논문들이 존재한다. GAN의 활용으로는 다양한 표정의 사람 이미지를 만들거나, 일부분 이미지가 손상된 것을 복원시킨다. 혹은 해상도가 낮은 이미지를 고해상도로 만들어주는 것과 같이 활용이 되고 있다. 뿐만 아니라 간단한 스케치로 디자인된 물건을 보여주는 등 다양한 방법으로 활용되고 있다