적대적 생성 신경망: 종합 연구

적대적 생성 신경망(GAN)은 암묵적 생성 모델 학습과 고품질 합성 데이터 생성의 핵심 프레임워크로 자리매김했지만, 학습 과정의 불안정성과 설계 공간의 급격한 확장은 여전히 과제로 남아있습니다. 본 조사는 GAN 분야의 주요 발전을 아키텍처, 목적 함수, 정규화, 최적화, 안정화 기법, 평가 방식별로 체계화하여 방법론 중심의 종합적인 분석을 제공합니다. 초기 모델부터 최근의 대규모 트랜스포머 기반 변형에 이르기까지 대표적인 모델들을 요약하고, 설계 선택이 안정성, 충실도, 다양성, 계산 비용에 미치는 영향을 조명합니다. 또한, 방법론적 발전과 주요 응용 분야 간의 연관성을 제시합니다. 데이터 효율성, 재현성, 안전성, 오용 위험을 포함한 현재의 한계점과 미해결 연구 방향을 논의합니다. 아울러 적대적 학습과 다른 현대적 생성 패러다임 간의 새로운 상호작용에 대해서도 탐색합니다. 이 연구는 GAN 연구의 복잡한 지형을 명확히 하고, 향후 연구를 위한 기반을 제공함으로써 관련 분야의 발전에 기여할 것입니다.