Nella sua versione originale, una rete antagonista generativa avversaria è composta da due componenti: un [[modello generativo]], o generatore <math>G</math>, e un [[modello discriminativo]], o discriminatore <math>D</math>, entrambi realizzati tramite reti neurali. Lo scopo del modello generativo è quello di produrre nuovi dati, mentre il modello discriminativo apprende come distinguere i dati reali da quelli generati. In particolare, dato uno spazio latente <math>\boldsymbol{z}</math>, avente una [[distribuzione di probabilità a priori|distribuzione a priori]] <math>p_\boldsymbol{z}(\boldsymbol{z})</math>, il generatore rappresenta una [[funzione differenziabile]] <math>G(\boldsymbol{z} ; \theta_{g})</math> che fornisce in output i nuovi dati secondo una certa distribuzione <math>p_g</math>, dove <math>\theta_{g}</math> sono i parametri del modello generativo. Il discriminatore rappresenta una funzione differenziabile <math>D(\boldsymbol{x}; \theta_{d})</math>, dove <math>\theta_{d}</math> sono i parametri del modello discriminativo, che produce in output la [[probabilità]] che <math>\boldsymbol{x}</math> provenga dalla distribuzione dei dati di addestramento <math>p_{data}</math>. Lo scopo è quello di ottenere un generatore che sia un buon [[stimatore]] di <math>p_{data}</math>. Quando questo avviene, il discriminatore viene "ingannato" e non riesce più a distinguere i campioni provenienti da <math>p_{data}</math> da quelli provenienti da <math>p_g</math>.
La chiave per raggiungere questa situazione è l'addestramento competitivo. la rete discriminativa viene addestrata in modo da massimizzare la probabilità di classificare correttamente i campioni provenienti dai dati di addestramento e i campioni generati.
