La stratégie d’apprentissage « adversarial » et les GANs (Generative Adversarial Networks) ont été proposés récemment dans le domaine des réseaux de neurones et du deep learning [Goodfellow et al., 2014]  pour la génération de données complexes et réelles, avec des résultats spectaculaires pour la génération d’images, de visages, de sons,  de textes… Toutefois ces modèles sont difficiles à mettre au point et leur optimisation reste un problème difficile, avec notamment le problème dit du « mode collapse ». Le but du projet est de comparer, sur quelques jeux de données classiques, des stratégies proposées récemment pour dépasser ces problèmes (notamment [Csaba et al., 2019], [Durugkar et al., 2017]).

• Botos Csaba, Adnane Boukhayma, Viveka Kulharia, András Horváth, Philip H. S. Torr, Domain Partitioning Network, Arxiv, https://arxiv.org/abs/1902.08134
• Durugkar, I., Gemp, I., and Mahadevan, S., Generative multi-adversarial networks. In ICLR, 2017.
• Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., and Bengio, Y., Generative adversarial nets. In NIPS, 2014a.