Modelos Condicionalmente Generativos

Un modelo generativo condicional es aquel que aprende a generar datos condicionados a una información adicional —una condición o etiqueta—, modelando la distribución p(x|y) en lugar de la distribución general p(x). Esa condición puede ser una clase, un texto, otra imagen o un mapa, y sirve para controlar qué se genera, en lugar de muestrear a ciegas.

Condicional frente a incondicional

Un modelo generativo incondicional produce un ejemplar plausible cualquiera del dominio, pero no permite pedir cuál; muestrea de p(x) sin control. El condicional añade la condición a la entrada del proceso generativo y así dirige la salida: en lugar de un dígito cualquiera, genera «un 7»; en lugar de una imagen arbitraria, genera una imagen «a partir de un texto». A cambio, exige datos y señales de condición bien preparados.

Cómo se implementa

La GAN condicional introduce la condición tanto en el generador como en el discriminador: es un ejemplo concreto de cómo dirigir la distribución generada.

Para qué se usa

Los modelos generativos condicionales están detrás de la generación de imágenes a partir de texto, la traducción de imagen a imagen (colorear una foto, convertir un boceto en imagen), la síntesis de voz y el aumento de datos dirigido, que genera ejemplos de una clase concreta para equilibrar un conjunto. Fuente primaria.