Zadania tłumaczeniowe, szeroko rozumiane, polegają na przekształceniu wejścia x, które ma bogatą strukturę, w wyjście y, które również ma bogatą strukturę. W tym kontekście „bogata struktura” oznacza, że dane są wielowymiarowe i mają interesujące zależności statystyczne między różnymi wymiarami. Obrazy i zdania w języku naturalnym mają bogatą strukturę, ale pojedyncza liczba, taka jak identyfikator klasy, nie. Przekształcenie zdania z angielskiego na francuski lub przekształcenie zdjęcia sceny nocnej w równoważne zdjęcie wykonane w ciągu dnia to przykłady zadań tłumaczeniowych. Translacja nadzorowana polega na zebraniu wielu (x,y) par i nauczeniu modelu, aby odwzorował każdy x na odpowiadający y. Na przykład systemy tłumaczenia maszynowego są często szkolone na parach zdań, które zostały przetłumaczone przez profesjonalnych tłumaczy. W przypadku innych rodzajów tłumaczeń nadzorowane dane szkoleniowe mogą być niedostępne. Rozważmy na przykład zdjęcie sceny nocnej zawierającej wiele poruszających się samochodów i pieszych. Prawdopodobnie nie jest możliwe znalezienie wszystkich samochodów i pieszych i przywrócenie ich do ich pierwotnych pozycji na zdjęciu nocnym, aby ponownie zrobić to samo zdjęcie w ciągu dnia. Aby przezwyciężyć tę trudność, można użyć nienadzorowanych technik translacji, które są zdolne do uczenia się na wielu przykładach x i wielu oddzielnych przykładach y, ale bez odpowiadających im par (x,y). Podejścia te są generalnie oparte na sieciach GAN; na przykład można wytrenować generator GAN, aby wytworzył realistyczny przykład y, gdy jest on uwarunkowany x, a inny generator GAN, aby wykonać odwrotne mapowanie. Ramy treningowe GAN umożliwiają trenowanie generatora w celu wygenerowania dowolnej z wielu możliwych próbek, które dyskryminator akceptuje jako realistyczny przykład y przy danym x, bez żadnej potrzeby konkretnego sparowanego y, jak to jest tradycyjnie potrzebne w uczeniu nadzorowanym.