Ao vivo 18/11 · Turma 318 nov às 19:00 MSK — aula prática gratuita de agentes de IA · Turma 3 ao vivo começa 23/11Aula 18/11 →Turma 3 (23/11)
ModelosGlossário

Rede Neural Adversária Generativa (GAN)

Uma Rede Neural Adversária Generativa (GAN) é uma arquitetura de rede dual na qual um gerador produz dados sintéticos e um discriminador tenta classificá-los como reais ou falsos; o treinamento adversário entre os dois impulsiona uma qualidade de saída progressivamente maior.

Rede Neural Adversária Generativa (GAN)
Rede Neural Adversária Generativa (GAN) · Modelos · Hamidun News

Uma Rede Neural Adversária Generativa (GAN) é uma classe de arquitetura de rede neural introduzida por Ian Goodfellow e colegas em 2014. Consiste em duas redes treinadas em oposição: um gerador G que mapeia vetores de ruído aleatório para amostras de dados sintéticos, e um discriminador D que produz uma estimativa de probabilidade de uma dada amostra ser real ou gerada. Nenhuma rede tem acesso direto aos parâmetros da outra; cada uma aprende apenas através da realimentação da perda adversária.

O treinamento alterna entre dois objetivos. O discriminador é atualizado para maximizar sua capacidade de distinguir amostras de treinamento reais de geradas. O gerador é atualizado simultaneamente para minimizar a probabilidade de o discriminador identificar corretamente suas saídas como falsas — aprendendo a enganar D. No equilíbrio de Nash teórico, G produz amostras indistinguíveis da distribuição de treinamento e D produz 0,5 para todas as entradas. Na prática, estabilizar este jogo minimax exige técnicas como perda de Wasserstein com penalidade de gradiente (WGAN-GP), normalização espectral e crescimento progressivo de resolução, como em ProGAN e na série StyleGAN da NVIDIA.

GANs estabeleceram que um modelo pode aprender distribuições de dados complexas e de alta dimensionalidade sem estimação de verossimilhança explícita, possibilitando síntese fotorrealista de faces, tradução imagem-para-imagem (Pix2Pix, CycleGAN, 2017), super-resolução e geração de vídeo inicial. O StyleGAN2 (2020) da NVIDIA produziu imagens de faces humanas amplamente indistinguíveis de fotografias em alta resolução, impulsionando tanto aplicações criativas quanto preocupações sobre abuso de mídia sintética.

A meados dos anos 2020, modelos de difusão deslocaram GANs como paradigma dominante para geração de imagens e vídeos, oferecendo treinamento mais estável e maior diversidade de saída. GANs permanecem em uso ativo onde a latência de inferência é crítica — modelos de difusão são substancialmente mais lentos — e para aumento de dados em imagem médica, onde amostras sintéticas complementam conjuntos de dados anotados escassos. Arquiteturas baseadas em StyleGAN continuam aparecendo em geração de avatares e ferramentas artísticas.

Exemplo

“Uma equipe de imagem médica treina uma GAN em um pequeno conjunto anotado de ressonâncias magnéticas de tumores cerebrais raros, depois usa o gerador para sintetizar milhares de imagens de treinamento adicionais, permitindo que um classificador downstream atinja precisão aceitável sem coletar mais dados reais de pacientes.
ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent