生成對抗網路 GAN 是什麼?
先前我們在【深度學習是什麼？】中提到：深度學習是採用多層級的類神經網路（Artificial Neural Network，簡稱ANN）來模擬生物神經系統，來訓練和分析資料特徵，將資料自動辨識。深度學習為人工神經網路最熱門的應用，而生成對抗網路（Generative Adversarial Network）也是其中熱門的應用之一。此篇我們將帶您深入了解：
圖一 生成對抗網路架構圖
名詞解釋
生成對抗網路（Generative Adversarial Network，簡稱GAN）是機器學習中非監督式學習的一種方法，非監督式學習(Unsupervised Learning)的訓練資料相對監督式學習(Supervised Learning)不需事前以人力處理分類，機器會在資料中找出其中的關聯性，過程相對簡易，也可節省人事上之成本。
以下我們將非監督式學習與監督式學習做比較：
而生成對抗網路由鑑別網路（Discriminating Network）與生成網路（Generative Network）所組成，透過接收雜訊(隨機分佈的數據)，兩者「相互對抗」來學習，其架構如圖一所示。在反覆學習的過程中，二個網路相互對抗並調整參數，藉此提升自身系統能力，鑑別網路在訓練後可做為檢測器來辨別真偽，而生成網路訓練後則成為可生成資料的生成器。
生成對抗網路之應用
(1)影像處理
生成對抗網路可藉由圖像訓練，以4k或更高解析度重新創建低解析度2D紋理，將失真的圖像還原畫值，通過適當的訓練，生成對抗網路提供更清晰、高於原始的2D紋理圖像品質，同時完全保留原始的細節、顏色，如圖2所示。日本科技公司Data Grid利用此技術，協助修復博物館的老舊圖像，成功突破時間對於作品的侵蝕，讓作品保存數位化更進一步。
圖二 利用生成對抗網路修復失真的圖像
(2)金融科技領域
在大多數金融詐騙的使用案例中，經常將歷史交易資料作為自身機器學習系統開發的根據。美國運通(American Express)利用了生成對抗網路，產生出更多真實資料與虛假資料，藉此協助訓練系統和開發更精確的深度學習模型。透過將大量資料的特徵做運算，產生出比傳統機器學習方法更佳的結果，幫助提高檢測交易資料的速度，有效提升其辨識詐騙和假資料的精準度。
普匯觀點
生成對抗網路具有相當大的未來性，其應用範圍正在大幅擴展，逐漸跨足各大產業，透過鑑別網路與生成網路的彼此對抗與學習，讓系統更能精準分辨資料之真偽。普匯擁有前端的科技技術與思維，未來也將更多運用非監督式學習的各類模型、技術做應用與開發，以期能在即時借貸、投資中鑑別出網路的安全性，讓系統自動構建有效的系統安全解決方案，讓普匯的使用者更加安心也更有保障。
