GAN(Generative Adversarial Networks)(1/3)

Intro

이전 Synthetic Data  글에서 합성 데이터에 대한 이야기를 했었다. 이런 합성 데이터를 생성을 하기 위해서 최근 가장 주목을 받고 있는 GAN(Generative Adversarial Networks)이라는 개념을 설명을 하겠다.

Synthetic Data(합성 데이터)

 

 GAN이 처음 등장한 2014년 이미지 생성을 위해 GAN이론이 등장하게 되었다. 이 이론은 현재 데이터 분야에서 아주 주목을 받고 있는 이론이며 지금까지도 관련 논문이 지속적으로 연구가 되고 있다.

Prior information

GAN 이론에 들어가기 앞서 GAN 이론의 이해를 돕기 위한 선행 정보를 이야기를 해보겠다.

확률 분포(probability distribution)

정의: 확률 분포(確率 分布, probability distribution)는 확률 변수가 특정한 값을 가질 확률을 나타내는 함수를 의미한다. 예를 들어, 주사위를 던졌을 때 나오는 눈에 대한 확률변수가 있을 때, 그 변수의 확률분포는 이산 균등 분포가 된다.
출처

확률 분포 - 위키백과, 우리 모두의 백과사전

 

 확률 분포의 가장 쉬운 예시로는 주사위를 예로 들수 있다. 주사위를 굴렸을 때 눈금이 1 이 나올 확률은 전체의 1/6 확률이다 이때 이 상황에서 확률 변수 x(주사위 눈금)에 대하여 확률 분포는 1/6 인 셈이다.

이산 확률 분포(discrete probability distribution)

 이산 확률 분포는 위의 예시에서 주사위의 상황에 해당이 된다. 주사위를 굴려서 나오는 눈금의 확률은 각각 1/6로 일정하며 연속적이지 않으며 값의 경우가 셀 수 있는 가산의 수(자연수의 집합)인 경우가 이산 확률 분포 케이스라고 볼 수 있다.

연속 확률 분포(continuous probability distribution)

 연속 확률 분포는 이산 확률 분포와는 다르게 연속적인 수(키, 시간, 달리기 성적)등을 확률로 나타낸 값이며 확률 변수 x의 개수를 정확하게 측정을 하는 것이 어렵다. 이런 연속 확률 분포의 적용 사례는 우리 주변에서 찾아보자면 IQ를 예시로 드는 것이 가능하다. IQ는 확률 변수가 연속적인 값으로 가산의 수 가 아니다. 그래서 이를 정규 분포로 나타내어서 상위 그룹과 하위그룹으로 나누어 확률의 분포를 나타낸다.

정규 분포 예시 사진

Probability Distribution in image

 위 사진처러 2개 이상의 변수가 적용되어 분포를 나타낸 것이 다변수 확률 분포라고 한다. 이는 GAN이론에서 이미지 데이터를 선택하는 방식에서 중요하게 다뤄진다.