---
id: generative-adversarial-networks-2014
title: Zwei Netze gegeneinander — Generative Adversarial Networks
date: '2014-01-01'
datePrecision: year
dateSources:
  - s1
  - s2
summary: >-
  Ein Aufsatz von 2014 lässt zwei neuronale Netze gegeneinander
  antreten: Eines erzeugt Daten, das andere soll echte von erzeugten
  unterscheiden. Im theoretischen Optimum bildet das erste die echten Daten so
  genau nach, dass das zweite nicht mehr unterscheiden kann.
themeId: theme-multimodalitaet
wikidata:
  - id: Q25104379
    name: 'Generative Adversarial Networks'
  - id: Q27990103
    name: 'Generative Adversarial Nets'
verification: verified
sources:
  - key: s1
    title: Generative Adversarial Networks (arXiv:1406.2661)
    publisher: arXiv (Cornell University)
    url: https://arxiv.org/abs/1406.2661
    accessedAt: '2026-09-15'
  - key: s2
    title: >-
      Generative Adversarial Nets (Advances in Neural Information Processing
      Systems 27, NIPS 2014)
    publisher: Neural Information Processing Systems Foundation
    url: https://proceedings.neurips.cc/paper/2014/hash/f033ed80deb0234979a61f95710dbe25-Abstract.html
    accessedAt: '2026-10-12'
  - key: s3
    title: 'The GANfather: The man who''s given machines the gift of imagination'
    publisher: MIT Technology Review
    url: https://www.technologyreview.com/2018/02/21/145289/the-ganfather-the-man-whos-given-machines-the-gift-of-imagination/
    accessedAt: '2026-09-15'
provenance:
  origin: legacy-entries-ts
  migratedAt: '2026-09-14'
  reviewedBy: audit
  reviewedAt: '2026-09-15'
seeAlso:
  - id: diffusion-image-generation-breakthrough-2021-2022
    note: Dieselbe Aufgabe, sieben Jahre später mit einer anderen Methode gelöst.
---

Am 10. Juni 2014 wurde der Aufsatz "Generative Adversarial Networks" bei arXiv
eingereicht.[^s1] Veröffentlicht wurde er im Tagungsband der Konferenz NIPS
2014.[^s2] Verfasst haben ihn acht Autoren: Ian
Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley,
Sherjil Ozair, Aaron Courville und Yoshua Bengio.[^s1]

Das Verfahren besteht aus zwei Netzen.[^s1][^s2] Ein erzeugendes Modell bildet die
Verteilung der Daten nach; ein unterscheidendes schätzt, ob eine Probe aus den
Trainingsdaten stammt oder erzeugt wurde.[^s2] Trainiert wird das erste darauf,
die Fehlerquote des zweiten zu maximieren — die Autoren beschreiben das als
Minimax-Spiel zweier Spieler.[^s1] Im theoretischen Optimum gibt das erzeugende
Modell die Verteilung der Daten exakt wieder, und das unterscheidende gibt
überall die Wahrscheinlichkeit 1/2 aus, kann also nicht mehr unterscheiden.[^s1]

Ein praktischer Vorteil lag in dem, was wegfiel: Sind beide Netze mehrschichtige
Perzeptrone, lässt sich das ganze System mit Backpropagation trainieren — ohne
Markow-Ketten und ohne aufgefaltete Näherungsverfahren, weder beim Training noch
beim Erzeugen.[^s1]

Auf die Idee, zwei Netze gegeneinander antreten zu lassen, kam Goodfellow 2014
in der Montrealer Kneipe Les 3 Brasseurs, als Freunde ihn um Hilfe bei einem
Rechner baten, der selbst Fotos erzeugen sollte; zu Hause programmierte er bis
in die frühen Morgenstunden, und das Programm lief beim ersten Versuch.[^s3]
Yann LeCun, leitender KI-Forscher bei Facebook, nannte GANs „the coolest idea in
deep learning in the last 20 years“, für ihn die reizvollste Idee des Deep
Learning in zwanzig Jahren.[^s3]

Als naheliegende Einsatzfelder galten Spiele und Mode; in der Medizin könnten
erzeugte Patientendaten fehlende echte ersetzen, und in der Teilchenphysik
entwickelten Forscher ein GAN, das Teilchensimulationen schneller
vorhersagt.[^s3] Zugleich eignet sich ein Verfahren für realistische Fälschungen
auch für Falschnachrichten.[^s3] Goodfellow selbst glaubt nicht an eine rein
technische Lösung gegen Fälschungen; nötig seien gesellschaftliche Antworten,
etwa Kindern in Debattierkursen kritisches Denken beizubringen.[^s3]

Ende der Datei: 3 Quellen.