Как критик превращает ошибки в обучение
Так устроено состязательное обучение, лежащее в основе генеративно-состязательных сетей — GAN. Генератор получает случайный набор чисел и превращает его, например, в изображение лица. Дискриминатор анализирует картинки и оценивает, похожи ли они на настоящие примеры из обучающей выборки.
В начале генератор обычно выдаёт убедительные лишь отдалённо изображения, и критик легко их распознаёт. Но важен не только вердикт «подделка»: во время обучения система вычисляет, какие изменения изображения могли бы сделать его правдоподобнее. Этот сигнал ошибки передаётся генератору и помогает немного скорректировать его внутренние настройки.
Игра продолжается, пока слабость не станет незаметной
После корректировки генератор создаёт новую картинку, а дискриминатор снова её проверяет. Затем улучшается уже критик: ему приходится замечать более тонкие несоответствия. Так обе модели шаг за шагом становятся сильнее — одна в создании примеров, другая в их различении.
«Замечания» здесь не являются словами или осознанной оценкой. Это числовой сигнал, который показывает, насколько результат не соответствует цели, и позволяет изменить параметры сети — внутренние числа, определяющие её поведение.
Почему результат зависит от критика
Дискриминатор учится не на абстрактном понятии правды, а на конкретных примерах и признаках, которые способен уловить. Если его обучение устроено плохо или он слишком быстро становится сильнее генератора, тот может получать мало полезного сигнала и перестать заметно улучшаться. А если генератор обманывает критика, это ещё не гарантирует, что изображение будет убедительно для человека.
Поэтому такая система не просто «рисует реалистично»: она подстраивается под определённый способ проверки. Именно этот конфликт делает изображения всё правдоподобнее — и объясняет, почему новый способ распознавания может снова подтолкнуть генератор к более тонкой имитации.
