

【课堂笔记】生成对抗网络 Generative Adversarial Network(GAN)
这样能够生成与真实数据分布相似的合成数据,用于数据增强;同时通过生成器和判别器的对抗训练,生成器学习到真实数据的概率分布,生成的样本更加逼真、细节丰富。一方面,许多机器学习任务需要大量标注数据,但真实数据可能稀缺或昂贵(如医学影像、稀有事件数据)。在上述推导中,对随机分布进行了期望积分,但实际操作过程中直接计算上述积分是不可行的,我们会采用。另一方面,传统生成模型(如变分自编码器VAE)生成的样本往往模糊或缺乏多样性,难以。(通常是正态或均匀分布),输出生成的假数据。这两个神经网络是对抗性的,生成器。
