Architecture de réseau de neurones composée de deux réseaux en compétition : un Générateur qui crée des données synthétiques (images, texte, audio) en essayant de tromper le Discriminateur, et un Discriminateur qui distingue les données réelles des données générées. L'entraînement est un jeu minimax : le générateur améliore ses productions pour tromper le discriminateur, qui améliore à son tour sa capacité de détection. Ce processus adversarial produit des données synthétiques de haute qualité. Applications : génération d'images photoréalistes (StyleGAN, DALL-E préGAN), augmentation de données, super-résolution d'images, deepfakes, génération de données synthétiques pour la confidentialité. Problèmes connus : instabilité d'entraînement (mode collapse — le générateur ne produit qu'un seul type d'output), difficultés de convergence. Les diffusion models ont partiellement remplacé les GANs pour la génération d'images.