Discriminador es un modelo para distinguir entre diferentes tipos de datos
Entre datos reales y generados artificialmente.
Se usa ampliamente en Redes Generativas Antagónicas (GANs)
En modelos de clasificación.
En redes GANs
El discriminador evalúa si un dato es real o generado
Por la red generadora.
En clasificación
Un discriminador puede referirse a modelos.
Separan clases de datos en tareas supervisadas.
Discriminador en Redes Generativas Antagónicas (GANs)
Una GAN (Generative Adversarial Network)
Está compuesta por dos redes neuronales:
Generador (Generator)
Crea datos sintéticos imágenes, texto, etc.
Discriminador (Discriminator)
Distingue entre datos reales y falsos.
Objetivo del Discriminador en GANs
Entrenarse para mejorar su capacidad de diferenciar
Entre datos generados y reales.
Retroalimentar al Generador
Permitiendo que mejore la calidad.
De sus muestras sintéticas.
Función de pérdida del Discriminador en GANs
El discriminador se entrena para maximizar
Precisión al clasificar datos reales (x) y falsos G(z)
import torch.nn as nn
class Discriminador(nn.Module):
def __init__(self):
super(Discriminador, self).__init__()
self.modelo = nn.Sequential(
nn.Linear(784, 512),
nn.LeakyReLU(0.2),
nn.Linear(512, 256),
nn.LeakyReLU(0.2),
nn.Linear(256, 1),
nn.Sigmoid()
)
def forward(self, x):
return self.modelo(x)
Explicación
Red completamente conectada
Clasificar imágenes de 28×28 píxeles (784 dimensiones).
Función de activación LeakyReLU
Evitar problemas de gradientes.
Salida Sigmoide (0 a 1)
Indica si la imagen es real o generada.
Discriminador en Otros Casos de IA
Clasificadores supervisados
Un discriminador puede ser un modelo de clasificación.
SVM, Árboles de Decisión o Redes Neuronales.
Análisis de fraude
Se usa para distinguir transacciones fraudulentas de legítimas.
Procesamiento de lenguaje natural (NLP)
Para detectar texto generado artificialmente o detectar spam.
Un discriminador en IA es un modelo.
Aprende a diferenciar datos reales de sintéticos.
En GANs su rol es clave para entrenar al generador.
Mejorar la calidad de los datos sintéticos.
Se usa también en clasificación supervisada
Detección de fraudes y NLP.
