Adversarial training (состязательное обучение)

Adversarial training (состязательное, или антагонистическое обучение) — парадигма машинного обучения, при которой две нейросети обучаются в противостоянии друг другу. Одна сеть (генератор) пытается создать данные, неотличимые от настоящих, а вторая (дискриминатор) — научиться отличать сгенерированное от реального. Это «игра с нулевой суммой»: выигрыш одной сети — проигрыш другой, и по мере обучения обе становятся сильнее.

Механика состязания

Обучение идёт итеративно, шаг за шагом:

• Дискриминатор получает и реальные картинки, и подделки генератора, учится ставить им метку «real/fake».
• Генератор получает обратный сигнал (adversarial loss) и корректирует веса так, чтобы обмануть дискриминатор.
• С каждым шагом граница между «настоящим» и «сгенерированным» смещается, заставляя генератор производить всё более реалистичный результат.

Эта схема — сердце GAN (генеративно-состязательных сетей), но adversarial-компонент давно вышел за пределы «чистых» GAN и встраивается в другие архитектуры как дополнительный лосс.

Adversarial loss в реставрации фото

В задачах апскейла и восстановления лиц чистая оптимизация по пиксельной ошибке (L1/L2) даёт «замыленный» результат — сеть усредняет все правдоподобные варианты. Adversarial loss решает это: дискриминатор штрафует размытые, «неестественные» текстуры, толкая генератор к резким и правдоподобным деталям. Так работают:

• Real-ESRGAN — апскейл с комбинацией pixel + perceptual + adversarial лоссов, за счёт чего генерирует убедительную фактуру кожи, ткани, листвы.
• GFPGAN — восстановление лиц, где adversarial-обучение и facial prior дают резкие черты вместо «пластиковой» кожи.

Типичные проблемы

Состязательное обучение известно своей нестабильностью:

• Mode collapse — генератор находит одну «удобную» подделку и повторяет её, теряя разнообразие.
• Неустойчивость — если одна сеть обгоняет другую, обучение «разваливается»; требуется тонкая настройка learning rate и специальные приёмы (WGAN-GP, spectral normalization).
• Галлюцинации деталей — сеть может «дорисовать» несуществующие черты, что критично при реставрации архивных фото.

Adversarial training vs диффузия

С 2022 года диффузионные модели потеснили GAN в генерации: обучение диффузии стабильнее и не страдает от mode collapse. Но adversarial-подход не исчез — его используют как ускоритель (adversarial distillation превращает медленную диффузию в 1–4 шага) и как финишный refiner для повышения резкости. Отдельно термин «adversarial» встречается в безопасности ИИ — adversarial examples, специально сконструированные входы, обманывающие классификаторы; это родственная, но самостоятельная тема.