Modelos de IA Generativa: GANs
Gabarito: letra A. A descrição apresentada — dois modelos (gerador e discriminador) treinados competitivamente em um jogo min-max para gerar dados indistinguíveis — é a definição clássica das Redes Adversárias Generativas (GANs), propostas por Ian Goodfellow et al. em 2014. Nenhuma outra arquitetura entre as listadas possui essa estrutura de treinamento adversarial.
Alternativa A — ✅ Correta ⟵ GABARITO
As Generative Adversarial Networks (GANs) são exatamente o modelo descrito: uma rede geradora (Generator) cria dados falsos a partir de ruído aleatório, enquanto uma rede discriminadora (Discriminator) tenta distinguir entre dados reais e falsos. O treinamento é um jogo de soma zero (min-max) em que ambas as redes evoluem simultaneamente. Essa é a arquitetura canônica das GANs.
Alternativa B — ❌ Incorreta
Os Variational Autoencoders (VAEs) são modelos generativos baseados em encoder-decoder, que aprendem uma distribuição latente e reconstroem os dados. Não envolvem uma rede discriminadora separada nem um treinamento adversarial. O erro da alternativa é confundir a estrutura adversarial das GANs com a abordagem variacional dos VAEs.
Alternativa C — ❌ Incorreta
Os Energy-Based Models (EBMs) associam uma energia (escalar) a cada configuração de dados e aprendem a minimizar essa energia para dados reais e maximizar para dados falsos. Apesar de também envolverem um tipo de discriminação, não possuem um gerador explícito que é treinado em competição direta com um discriminador, como nas GANs. O texto descreve claramente o modelo adversarial, não a abordagem baseada em energia.
Alternativa D — ❌ Incorreta
Os Autoregressive Models (ex.: PixelCNN, Transformer) geram dados sequencialmente, prevendo cada próximo elemento com base nos anteriores. Não há um discriminador nem um jogo min-max; o treinamento é feito por máxima verossimilhança, não adversarial. A descrição da questão não se aplica a eles.
Alternativa E — ❌ Incorreta
Os Normalizing Flow Models utilizam transformações invertíveis para mapear uma distribuição simples (ex.: normal) em uma distribuição complexa. Eles não empregam uma rede discriminadora nem treinamento adversarial; a geração é feita por composição de funções invertíveis. Portanto, fogem da caracterização dada.
Gabarito: letra A.