Discriminator

Der Discriminator ist einer der zwei Gegenspieler in einem Generative Adversarial Network (GAN): Er ist ein Klassifikator, der lernt, echte Daten von den gefälschten Daten des Generators zu unterscheiden.

Ian Goodfellows GAN-Framework (2014) modelliert das Training als Spiel. Der Generator erzeugt Fälschungen (z.B. synthetische Bilder). Der Discriminator bewertet jedes Bild: „echt" (aus dem Trainingsdatensatz) oder „falsch" (vom Generator erzeugt). Beide verbessern sich iterativ: Der Generator wird besser im Fälschen, der Discriminator wird besser im Erkennen.

Technisch ist der Discriminator ein binärer Klassifikator — typischerweise ein CNN, das ein Bild entgegennimmt und eine Wahrscheinlichkeit ausgibt: „Zu 93% echt." Während des Trainings werden ihm abwechselnd echte und generierte Bilder gezeigt, und er optimiert seine Fähigkeit, beide zu unterscheiden.

Das Idealergebnis: Der Generator wird so gut, dass der Discriminator nur noch raten kann — die Ausgabe pendelt bei 50/50 (Nash-Gleichgewicht). In der Praxis ist dieses Gleichgewicht instabil: Mode Collapse (der Generator lernt nur wenige Varianten), Training Collapse (Discriminator oder Generator dominiert) und Oszillation sind häufige Probleme.

In der Bildforensik ist der Discriminator-Ansatz auch außerhalb von GANs relevant: Deepfake-Detektoren sind im Wesentlichen Discriminatoren, die echte von KI-generierten Medien unterscheiden. Das Wettrüsten zwischen immer besseren Generatoren und Discriminatoren treibt beide Seiten voran.