Las redes generativas adversariales (GANs) son un tipo de algoritmo generativo capaz de producir muestras artificiales prácticamente indistinguibles de los ejemplos reales de los que parten. Los resultados obtenidos por estos métodos en la generación de imágenes artificiales muestran la capacidad de adaptarse a contextos de alta dimensión, en los que un uso clásico del principio de máxima verosimilitud encuentra serias limitaciones. Estas GANs se plantean como un juego entre funciones discriminantes, que tratan de distinguir las muestras reales de las simuladas, y las funciones generativas (adversarias de las anteriores), que pretenden ajustarse lo más posible al conjunto de entrenamiento. Estadísticamente el problema se puede reescribir como un problema de mínima divergencia en el sentido de Jensen-Shannon, relacionada, pero diferente de la divergencia de Kullback-Leibler, subyacente al método de máxima verosimilitud. En este trabajo se estudia la teoría estadística apropiada para aportar garantías sobre el funcionamiento de las GANs. Se abordan también los aspectos computacionales implicados en la implementación práctica de estos métodos.
Exceto quando indicado o contrário, a licença deste item é descrito como Attribution-NonCommercial-NoDerivatives 4.0 Internacional