Red generativa antagónica
Sinónimos: GAN · Generative adversarial network
Definición ampliada
Una red generativa antagónica, o generative adversarial network (GAN), combina dos modelos con objetivos enfrentados. El generador produce muestras y el discriminador intenta distinguirlas de los datos reales. Al entrenarlos de forma alterna, la señal del discriminador guía al generador hacia distribuciones que se parecen más a los datos de entrenamiento.
«Antagónica» describe el objetivo de entrenamiento, no una confrontación entre agentes. Tras el entrenamiento puede conservarse solo el generador.
Contexto histórico
Ian Goodfellow y colaboradores presentaron este marco en 2014 como un juego minimax entre dos redes [1]. Después aparecieron variantes para estabilizar el aprendizaje, condicionar la salida y trabajar con imágenes de mayor resolución.
Importancia actual
A fecha de septiembre de 2026, las GAN conviven con modelos de difusión y otras familias generativas. Siguen siendo útiles cuando interesa aprender una distribución de datos o transformar imágenes, aunque no son sinónimo de toda la IA generativa.
Aplicaciones
Generales
- Generar imágenes condicionadas por una clase o representación.
- Traducir entre dominios visuales y restaurar imágenes.
- Producir datos sintéticos para experimentación controlada.
Sanitarias
- Investigar aumento de datos y reconstrucción de imagen médica.
- Simular ejemplos para evaluar un flujo técnico sin afirmar que sustituyen a pacientes reales.
- Estudiar anonimización o síntesis con pruebas explícitas de utilidad, privacidad y representación; generar datos no garantiza ninguna de las tres.
Limitaciones
- El entrenamiento puede ser inestable porque la mejora de un modelo cambia la tarea del otro.
- En el colapso de modos, el generador produce poca variedad aunque las muestras individuales parezcan plausibles.
- Una imagen realista puede contener una estructura imposible o borrar señales infrecuentes.
- Los datos sintéticos pueden reproducir sesgos y memorizar rasgos del conjunto de entrenamiento.
- La calidad visual no demuestra utilidad clínica ni protección frente a reidentificación.
Ejemplos
Un generador aprende a producir imágenes de una clase y un discriminador aprende a separar imágenes reales y generadas. Si el generador repite unas pocas formas que engañan bien al discriminador, la apariencia puede ser convincente mientras la diversidad del conjunto disminuye: es un caso de colapso de modos.