GAN

Deux réseaux de neurones (un générateur et un discriminateur) mis en compétition dans un jeu à somme nulle : le générateur tente de produire des données réalistes, le discriminateur tente de les distinguer des données réelles

• Génération de données synthétiques réalistes (images, sons, texte) par apprentissage adversarial
• Amélioration progressive et conjointe du générateur et du discriminateur au fil de l'entraînement
• Base conceptuelle de nombreuses applications de génération d'images avant l'essor des modèles de diffusion

Entraînement notoirement instable (effondrement du mode, où le générateur produit une diversité limitée de sorties) ; également employé pour produire des deepfakes, posant des risques de désinformation. Le remplacement par les modèles de diffusion depuis 2022, souvent avancé, n'est mentionné par aucune source de la fiche.

Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.

1. 1.Goodfellow et al., « Generative Adversarial Networks »primaire10/06/2014
2. 2.Generative adversarial network — Wikipedia (EN)secondaire07/09/2026

• Theodor Adorno × GANIndustrie culturelle et standardisation de la production esthétique

  Fiche humaine : Theodor Adorno

• Judith Butler × GANBoucle de normalisation apprise et répétition performative des normes de genre

  Fiche humaine : Judith Butler

• John von Neumann × GANJeux à somme nulle et dynamiques adversariales d'apprentissage

  Fiche humaine : John von Neumann

• Dictature militaire × GANProduction de contenus synthétiques et maîtrise du récit public

  Fiche humaine : Dictature militaire

• Arbres de décisionMéthode d'apprentissage automatique classique (algorithmes ID3, C4.5, CART, développés à partir des années 1980)
• AutoencodeursArchitecture de réseau de neurones popularisée à partir des années 1980-1990, largement développée depuis les années 2010
• CNNArchitecture développée notamment par Yann LeCun (LeNet, fin des années 1980-1990), popularisée à grande échelle par AlexNet (2012)
• Forêts aléatoiresMéthode d'ensemble développée notamment par Leo Breiman (2001)
• Gradient Boosting (XGBoost/LightGBM/CatBoost)Méthode formalisée par Jerome Friedman (1999). Les implémentations XGBoost, LightGBM et CatBoost qui donnent son nom à la fiche ne sont nommées par aucune source de celle-ci : leurs dates et leurs éditeurs restent à tracer.
• K-MeansAlgorithme classique de partitionnement de données (formalisé par Stuart Lloyd et James MacQueen dans les années 1950-1960)
• K-NNMéthode statistique classique d'apprentissage non paramétrique ; la source citée n'en donne pas la datation
• LSTMArchitecture développée par Sepp Hochreiter et Jürgen Schmidhuber (1997)