Sieci GAN, czyli Generatywne Sieci Adwersarne (Generative Adversarial Networks), to zaawansowana koncepcja w dziedzinie uczenia maszynowego, która została po raz pierwszy wprowadzona przez Iana Goodfellowa i jego współpracowników w 2014 roku. Ideą stojącą za GANami jest przeciwstawienie sobie dwóch sieci neuronowych w ramach jednego procesu uczenia, co skutkuje generowaniem nowych, syntetycznych instancji danych, które są trudne do odróżnienia od rzeczywistych danych.
Pierwszą z tych sieci jest generator, którego zadaniem jest tworzenie danych. Generator próbuje tworzyć sztuczne instancje danych (np. obrazy, teksty), które będą na tyle realistyczne, aby mogły zostać uznane za prawdziwe przez drugą sieć – dyskryminator. Dyskryminator ma za zadanie ocenić, czy otrzymany od generatora obiekt jest prawdziwy (tj. pochodzi z rzeczywistego zestawu danych) czy fałszywy (stworzony przez generator). W trakcie procesu uczenia sieci te "rywalizują" ze sobą: generator stara się coraz lepiej oszukiwać dyskryminatora, a dyskryminator uczy się lepiej rozróżniać fałszywe obiekty od prawdziwych.
Proces uczenia sieci GAN można porównać do gry, w której generator stara się tworzyć coraz to bardziej przekonujące fałszerstwa, podczas gdy dyskryminator staje się coraz lepszym detektywem. Ta rywalizacja prowadzi do sytuacji, w której obie sieci poprawiają swoje umiejętności do momentu, gdy generator jest w stanie tworzyć bardzo realistyczne dane, których dyskryminator nie jest w stanie odróżnić od prawdziwych.
Sieci GAN znajdują szerokie zastosowanie w różnych dziedzinach, takich jak generowanie realistycznych obrazów, wideo, muzyki, symulacje danych do nauki innych modeli maszynowych, a także w poprawie jakości obrazów (np. zwiększanie rozdzielczości) czy tworzeniu realistycznych scenariuszy w grach komputerowych i symulacjach. Ich unikalna zdolność do generowania nowych, realistycznych danych otwiera nowe możliwości w dziedzinie sztucznej inteligencji i uczenia maszynowego.