生成对抗网络

机器学习与数据挖掘
范式 监督学习 無監督學習 線上機器學習 元学习（英语：Meta-learning (computer science)） 半监督学习 自监督学习 强化学习 基于规则的机器学习（英语：Rule-based machine learning） 量子機器學習
问题 统计分类 生成模型 迴歸分析 聚类分析 降维 密度估计（英语：density estimation） 异常检测 数据清洗 自动机器学习 关联规则学习 語意分析 结构预测（英语：Structured prediction） 特征工程 表征学习 排序学习（英语：Learning to rank） 语法归纳（英语：Grammar induction） 本体学习（英语：Ontology learning） 多模态学习
监督学习 (分类 · 回归) 学徒学习（英语：Apprenticeship learning） 决策树学习 集成学习 Bagging 提升方法 随机森林 k-NN 線性回歸 朴素贝叶斯 人工神经网络 邏輯斯諦迴歸 感知器 相关向量机（RVM） 支持向量机（SVM） 迁移学习 微调
聚类分析 BIRCH CURE算法（英语：CURE algorithm） 层次 k-平均 Fuzzy 期望最大化（EM） DBSCAN OPTICS 均值飘移（英语：Mean shift）
降维 因素分析 CCA ICA LDA NMF（英语：Non-negative matrix factorization） PCA PGD（英语：Proper generalized decomposition） t-SNE（英语：t-distributed stochastic neighbor embedding） SDL
结构预测（英语：Structured prediction） 圖模式 貝氏網路 條件隨機域 隐马尔可夫模型
异常检测 RANSAC k-NN 局部异常因子（英语：Local outlier factor） 孤立森林（英语：Isolation forest）
人工神经网络 自编码器 認知計算 深度学习 DeepDream（英语：DeepDream） 多层感知器 RNN LSTM GRU（英语：Gated recurrent unit） ESN（英语：Echo state network） 储备池计算（英语：reservoir computing） 受限玻尔兹曼机 GAN SOM CNN U-Net transformer Vision（英语：Vision transformer） Mamba 脉冲神经网络（英语：Spiking neural network） Memtransistor（英语：Memtransistor） 电化学RAM（英语：Electrochemical RAM）（ECRAM）
强化学习 Q学习 SARSA 时序差分（TD） 多智能体（英语：Multi-agent reinforcement learning） Self-play（英语：Self-play (reinforcement learning technique)） RLHF
与人类学习 主动学习（英语：Active learning (machine learning)） 众包 Human-in-the-loop（英语：Human-in-the-loop）
模型诊断 学习曲线（英语：Learning curve (machine learning)）
数学基础 内核机器（英语：Kernel machines） 偏差–方差困境（英语：Bias–variance tradeoff） 计算学习理论（英语：Computational learning theory） 经验风险最小化 奥卡姆学习（英语：Occam learning） PAC学习（英语：Probably approximately correct learning） 统计学习 VC理论
大会与出版物 NeurIPS ICML（英语：International Conference on Machine Learning） ICLR ML（英语：Machine Learning (journal)） JMLR（英语：Journal of Machine Learning Research）
相关条目 人工智能概述 术语 机器学习研究数据集列表（英语：List of datasets for machine-learning research） 机器学习概要
查 论 编

生成对抗网络（英語：Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通過两个神经網路相互博弈的方式进行学习。该方法由伊恩·古德费洛等人于2014年提出。^[1] 生成對抗網絡由一個生成網絡與一個判別網絡組成。生成網絡從潛在空間（latent space）中隨機取樣作為輸入，其輸出結果需要盡量模仿訓練集中的真實樣本。判別網絡的輸入則為真實樣本或生成網絡的輸出，其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。而生成網絡則要盡可能地欺騙判別網絡。兩個網絡相互對抗、不斷調整參數，最終目的是使判別網絡無法判斷生成網絡的輸出結果是否真實。^[1][2][3]

生成對抗網絡常用於生成以假亂真的圖片。^[4]此外，該方法還被用於视频帧预测^[5]、三維物體模型^[6]等。

生成對抗網絡虽然最开始提出是為了無監督學習，但经證明對半監督學習^[4]、完全監督學習^[7]、強化學習^[8]GAIL（Generative Adversarial Imitation Learning）通过逆强化学习框架实现策略优化^[9]也有效。 在2016年的一個研討會上，杨立昆称生成式對抗網絡为「機器學習這二十年來最酷的想法」^[10]。

1. 数学形式 minG​maxD​V(D,G)=Ex∼pdata​​[logD(x)]+Ez∼pz​​[log(1−D(G(z)))] 其中G为生成器，D为判别器^[11]
2. 潜在空间说明，潜在空间z通常服从高斯分布N(0,I)，维度需人工设定（如DCGAN中z∈R100）^[12]

1. Wasserstein GAN改进 使用Earth-Mover距离替代JS散度： W(pr,pg​)=infγ∈Π(pr,pg​)​E(x,y)∼γ​[∣∣x−y∣∣] 需满足判别器Lipschitz约束^[14]
2. 渐进式训练策略 ProGAN采用分层训练模式，从低分辨率（4×4）开始逐步加倍分辨率至1024×1024^[15]

生成對抗網路的應用範圍正在大幅增加。^[16][17]

生成對抗網路可用于创建虚构时装模特的照片，无需聘请模特、摄影师、化妆师，也省下工作室和交通的開銷^[18]。 生成對抗網路可用于时尚广告活动，创建來自不同群體的模特兒，这可能会增加這些群體的人的购买意图^[19]。

生成對抗網路可以改善天文图像^[20]，并模拟重力透镜以进行暗物质研究^[21][22][23]。

在2019年，生成對抗網路成功地模拟了暗物质在太空中特定方向的分布，并预测将要发生的引​​力透镜。^[24][25]

在2018年，生成對抗網路进入了電子游戏改造社区。對舊的電子游戏透過图像训练，以4k或更高分辨率重新创建低分辨率2D纹理，然后对它们进行下取樣以适应游戏的原始分辨率（结果类似于抗锯齿的超级取樣方法）^[26]。通过适当的训练，生成對抗網路提供更清晰、高于原始的2D纹理图像品質，同时完全保留原始的细节、颜色。

• 深度学习
• ChatGPT
• 互聯網死亡論