باختصار
Generative Adversarial Network (الشبكة التوليدية التنافسية، وتُختصر GAN) بنية تعلّم عميق تتكوّن من شبكتين عصبيتين تتنافسان مع بعضهما: شبكة «مولّدة» تنتج بيانات مصطنعة، وشبكة «مميّزة» تحاول التفريق بين البيانات الحقيقية والمصطنعة.
بالتفصيل
طوّر الباحث إيان غودفيلو وزملاؤه هذه الفكرة عام 2014. تعمل الشبكتان في حلقة تنافس مستمرة: تبدأ الشبكة المولّدة بإنتاج بيانات عشوائية غير مقنعة (صور، مثلًا)، وتحاول الشبكة المميّزة تصنيفها كـ«مزيفة». مع كل جولة تدريب، تتحسن الشبكة المولّدة في خداع المميّزة، وتتحسن المميّزة بالمقابل في كشف الخداع — حتى تصل الشبكة المولّدة إلى إنتاج بيانات يصعب تمييزها عن البيانات الحقيقية.
يصف الباحثون هذه العلاقة بأنها أشبه بـ«سباق تسلح تطوري» في علم الأحياء، حيث يتطور الحيوان المفترس وفريسته معًا باستمرار. هذا التصميم يتيح لـ GAN تعلّم توزيع البيانات دون الحاجة لنمذجة احتمالية صريحة ومعقّدة، ما جعله لفترة طويلة أساس كثير من أدوات توليد الصور بالذكاء الاصطناعي قبل انتشار نماذج الانتشار (diffusion models).
مثال عملي
استخدام كلاسيكي لـ GAN هو توليد وجوه بشرية غير موجودة في الواقع بالكامل: تتدرب الشبكة المولّدة على آلاف الصور الحقيقية، وبعد تدريب كافٍ تنتج صور وجوه واقعية تمامًا رغم أنها لا تخص أي شخص حقيقي.
مصطلحات مرتبطة
Autoencoder (المشفّر التلقائي) — بنية توليدية بديلة تعمل بمبدأ مختلف. Synthetic Data (البيانات الاصطناعية) — أحد أهم استخدامات GAN. VAE (المشفّر التلقائي المتغيّر) — بديل احتمالي لـ GAN لتوليد البيانات.
المصادر: Wikipedia
