1. 论文基本信息
-
论文标题：Generative Adversarial Nets
-
作者：Ian J. Goodfellow,∗ Jean Pouget-Abadie,† Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair,‡ Aaron Courville, Yoshua Bengio§
-
发表时间和期刊：2014.06；NeurIPS
-
论文链接：Generative Adversarial Nets
2. 研究背景和动机
到目前为止，深度学习中最引人注目的成功来自于判别模型，通常是那些将高维度、丰富的输入映射到类别标签的模型。相比之下，生成模型的影响力较小，原因在于近似许多难以处理的概率计算（这些计算在最大似然估计和相关策略中出现）非常困难，此外在生成背景中难以利用分段线性单元的优势。
3. 主要贡献
(1) 我们通过“对抗”的方式提出了一种新的framework用于估算生成模型，绕过了这些难题。在所提出的对抗网络框架中，生成模型与一个对手判别模型进行对抗：一个判别模型学习如何判断样本是来自伪造的分布还是数据分布。生成模型可以类比为一组伪造者，试图制造假币并使用而不被发现，而判别模型则类似于警察，试图识别假币。这场竞争驱使双方不断改进方法，直到假币与真币无法区分。
(2) 用一个有监督学习的损失函数来做无监督学习。标号来自于是采样的还是生成的。（可以说是自监督学习的灵感来源之一）
4. 方法和模型
下图是GAN的生成器与判别器的优化过程。其中蓝色虚线代表判别结果的分布情况（注意，当判别结果为时，代表生成器伪造的数据达到最优结果，此时相当于随机猜测）；黑色虚线代表真实的数据分布情况；绿色实线代表生成器生成的结果分布。
生成器的目标就是通过MLP将z(代表噪声分布)映射到x(真实数据分布)，可以看到，随着不断优化z，噪声分布逐渐向真实的数据分布靠拢，到最后判别结果的分布趋向于
下图是GAN的核心算法。其中第一个等式用于优化判别器，第二个等式用于优化生成器
5. 实验和结果
略~
6. 讨论和未来工作
GAN的优点总结如下：
- 无需马尔可夫链：训练过程中不需要依赖马尔可夫链，仅需反向传播来获取梯度。
- 无推断步骤：学习过程中无需进行推断操作，简化了模型训练。
- 模型灵活性：模型可以集成多种不同的函数，具有较强的灵活性。
- 梯度传递优势：生成器网络通过鉴别器的梯度进行更新，而非直接从数据样本中更新参数，这可能带来一定的统计优势，避免输入信息直接复制到生成器的参数中。
- 高质量分布表示：相较于基于马尔可夫链的方法，GAN能够表示非常清晰甚至退化的分布，而马尔可夫链方法则需要分布较模糊以便模式之间的混合。
GAN的缺点总结如下：
- 无显式概率分布表示：GAN模型中没有显式地表示目标概率分布。
- 训练不稳定性：生成器和判别器的训练需要很好地同步。
7. 个人理解和反思
GAN的出现已经过了10年之久，现在也涌现出很多基于GAN的优化工作，比如StyleGAN3等等。而GAN的主要思想也不是前人未曾想到的，不过，GAN将其发扬光大，讲解清楚，成为生成领域的经典之作。
