GAN (Generative Adversarial Networks) – dwie sieci rywalizujące ze sobą.

Sieć generatywna przeciwstawna (ang. Generative Adversarial Network, GAN) to rodzaj architektury sieci neuronowej, wykorzystywanej w obszarze uczenia maszynowego do generowania danych przypominających oryginalne wzorce. Składa się z dwóch odrębnych sieci: generatora oraz dyskryminatora, które rywalizują ze sobą w procesie szkolenia. Generator ma za zadanie wytwarzać dane syntetyczne, natomiast dyskryminator ocenia, czy dane pochodzą z rzeczywistego zbioru, czy zostały wygenerowane.

Obie sieci optymalizują swoje funkcje celu w sposób przeciwny – generator stara się oszukać dyskryminator, tworząc coraz bardziej realistyczne próbki, podczas gdy dyskryminator doskonali swoje umiejętności rozróżniania danych rzeczywistych od fałszywych. Proces ten prowadzi do sukcesywnej poprawy jakości wygenerowanych danych, często obejmujących obrazy, dźwięki lub teksty. Architektura GAN została zaproponowana w 2014 roku przez Iana Goodfellowa i jego współpracowników i od tego czasu znalazła szerokie zastosowanie w grafice komputerowej, syntezie mowy, medycynie oraz innych dziedzinach sztucznej inteligencji.