Redes Adversariales Generativas

Las redes adversariales generativas (Generative Adversarial Networks, GAN) son un marco de aprendizaje automático propuesto por Ian Goodfellow y sus colaboradores en 2014 para generar datos nuevos que se parezcan a los de un conjunto real. Su idea central es enfrentar dos redes neuronales en una competición: mientras una aprende a fabricar muestras falsas, la otra aprende a detectarlas. De ese pulso continuo surge un generador capaz de producir imágenes, sonidos o texto sorprendentemente realistas.

El generador y el discriminador

El generador parte de un vector de ruido aleatorio y lo transforma en una muestra sintética; nunca ve los datos reales directamente, solo aprende de la señal que le devuelve su rival. El discriminador recibe muestras reales y falsas mezcladas y estima la probabilidad de que cada una proceda del conjunto verdadero. Ambos se entrenan a la vez por retropropagación: el discriminador se afina para no dejarse engañar y el generador ajusta sus pesos para engañarlo mejor. No hacen falta cadenas de Markov ni inferencia aproximada, lo que en 2014 supuso una simplificación notable frente a otros modelos generativos.

El juego minimax en texto plano

Goodfellow planteó el entrenamiento como un juego minimax de dos jugadores sobre una única función de valor. En texto plano: la función de valor V(D, G) suma dos términos, el valor esperado de log D(x) sobre los datos reales y el valor esperado de log(1 − D(G(z))) sobre el ruido de entrada. El discriminador maximiza esa función —quiere asignar D(x) cercano a 1 a lo real y cercano a 0 a lo falso— y el generador la minimiza, empujando D(G(z)) hacia 1. El equilibrio teórico llega cuando el generador reproduce la distribución de los datos y el discriminador ya no puede distinguir: acierta solo la mitad de las veces, es decir, D vale 1/2 en todas partes. Fuente primaria.

Límites: inestabilidad y colapso de modos

Ese equilibrio es difícil de alcanzar. El entrenamiento es inestable: las dos redes pueden oscilar sin converger, y cuando las distribuciones real y generada apenas se solapan, la divergencia de Jensen-Shannon se satura y los gradientes se desvanecen, dejando al generador sin señal para aprender. El segundo problema clásico es el colapso de modos (mode collapse): el generador descubre unas pocas muestras que engañan al discriminador y las repite, produciendo poca variedad e ignorando regiones enteras de los datos. Variantes posteriores atacaron límites distintos: DCGAN (Radford, Metz y Chintala, 2015) introdujo restricciones arquitectónicas convolucionales y mostró representaciones útiles; WGAN (Arjovsky, Chintala y Bottou, 2017) cambió el objetivo para mejorar la estabilidad, reducir el colapso de modos y producir curvas de aprendizaje interpretables; y StyleGAN (Karras, Laine y Aila, 2019) mejoró las métricas de calidad, la interpolación y la separación de factores en rostros. Aun así, entrenar una GAN sigue exigiendo un ajuste delicado.

Las GAN frente a los modelos de difusión hoy

Un resultado primario permite fechar un cambio de referencia, pero no declarar que las GAN hayan dejado de dominar toda la generación de imágenes: en 2021, Dhariwal y Nichol mostraron que un modelo de difusión podía superar a los mejores generadores de entonces en síntesis de ImageNet bajo sus métricas y condiciones. El trabajo «Diffusion Models Beat GANs on Image Synthesis» (Dhariwal y Nichol, 2021) informó de mejor calidad de muestra y mejor cobertura de la distribución que BigGAN-deep en sus comparaciones de ImageNet. No demostró que todo modelo de difusión entrene de forma más estable ni que elimine universalmente el colapso de modos. Las GAN conservan ventajas —generan en un solo paso, por lo que son más rápidas en inferencia— y siguen vivas en nichos concretos. Queda abierto cuánto margen les resta frente a la difusión y los enfoques híbridos: es un terreno en movimiento y no conviene darlo por cerrado.