Sieć generatywnych przeciwników (GAN) to w rzeczywistości para sieci, które łączą się, tworząc system generatywny. Jedna z sieci, generator, odwzorowuje wartości od z do x w celu uzyskania próbek z rozkładu Pw(x). Typowy schemat pobiera próbkę z z jednostki gaussowskiej o umiarkowanym wymiarze, a następnie przechodzi przez głęboką sieć hw, aby uzyskać x. Druga sieć, dyskryminator, jest klasyfikatorem wyszkolonym do klasyfikowania wejść x jako rzeczywistych (pobranych ze zbioru uczącego) lub fałszywych (stworzonych przez generator). GAN są rodzajem modelu niejawnego w tym sensie, że próbki mogą być generowane, ale ich prawdopodobieństwa nie są łatwo dostępne; z drugiej strony w sieci Bayesa prawdopodobieństwo próbki jest po prostu iloczynem prawdopodobieństw warunkowych na ścieżce generowania próbki. Generator jest ściśle powiązany z dekoderem z wariacyjnej struktury autokodera. Wyzwaniem w modelowaniu niejawnym jest zaprojektowanie funkcji straty, która umożliwia trenowanie modelu przy użyciu próbek z rozkładu, zamiast maksymalizowania prawdopodobieństwa przypisanego do przykładów szkoleniowych ze zbioru danych. Zarówno generator, jak i dyskryminator są trenowane jednocześnie, przy czym generator uczy się oszukiwać dyskryminator, a dyskryminator uczy się dokładnie oddzielać dane rzeczywiste od fałszywych. Konkurencję między generatorem a dyskryminatorem można opisać językiem teorii gier . Pomysł polega na tym, że w stanie równowagi w grze generator powinien doskonale odtwarzać rozkład treningu, tak aby dyskryminator nie mógł działać lepiej niż losowe zgadywanie. Sieci GAN sprawdzają się szczególnie dobrze w zadaniach związanych z generowaniem obrazów. Na przykład GAN mogą tworzyć fotorealistyczne obrazy o wysokiej rozdzielczości ludzi, którzy nigdy nie istnieli.