조건부 생성적 적대 신경망

본 논문은 2014년에 발표된 Generative Adversarial Networks(GAN)의 확장 모델인 Conditional Generative Adversarial Nets(CGAN)을 제안한다. 기존 GAN은 무조건적으로 데이터 분포 p_data(x)를 모방하는 생성기 G와, 생성된 샘플이 실제 데이터인지 판별하는 판별기 D로 구성되며, 두 네트워크는 미니맥스 게임 형태의 손실 함수를 통해 동시에 학습된다. 이러한 구조는 마코프 체인 없이도 샘플을 생성할 수 있다는 장점이 있지만, 생성 과정에 대한 직접적인 제어가 어려워 특정 클래스나 속성을 반영한 샘플을 만들기 힘들다. CGAN은 이러한 문제를 해결하기 위해, 추가적인 조건 변수 y(클래스 레이블, 이미지 특징, 텍스트 임베딩 등)를 생성기와 판별기 모두에 입력한다. 구체적으로, 생성기 G는 잡음 z와 조건 y를 각각 전처리한 뒤, 하나의 은닉층에서 결합해 최종 데이터를 생성한다. 판별기 D는 입력 데이터 x와 조건 y를 별도의 전처리 층을 거쳐 결합하고, 이를 통해 “실제 데이터인지”를 판단한다. 손실 함수는 \