生成对抗网络

生成对抗网络（英語：，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。[2][1][3]

由GAN deepfake生成的人脸

机器学习与
范式 监督学习 無監督學習 線上機器學習 元学习 半监督学习 自监督学习 强化学习 基于规则的机器学习 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 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 特征工程 表征学习 排序学习 语法归纳 本体学习 多模态学习
监督学习 (分类 · 回归) 学徒学习 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 层次 k-平均 Fuzzy 期望最大化（EM） DBSCAN OPTICS 均值飘移
降维 因素分析 CCA ICA LDA NMF PCA PGD t-SNE SDL
结构预测 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 孤立森林
人工神经网络 自编码器 認知計算 深度学习 DeepDream 多层感知器 RNN LSTM GRU ESN 储备池计算 受限玻尔兹曼机 GAN SOM CNN U-Net Transformer Vision transforme 脉冲神经网络 Memtransistor 电化学RAM（ECRAM）
强化学习 Q学习 SARSA 时序差分（TD） 多智能体 Self-play RLHF
与人类学习 主动学习 众包 Human-in-the-loop
模型诊断 学习曲线
数学基础 内核机器 偏差–方差困境 计算学习理论 经验风险最小化 奥卡姆学习 PAC学习 统计学习 VC理论
大会与出版物 NeurIPS ICML ICLR ML JMLR
相关条目 人工智能术语 机器学习研究数据集列表 机器学习概要

生成對抗網絡常用於生成以假亂真的圖片。[4]此外，該方法還被用於生成影片[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]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」[9]。