生成对抗网络
Generative Adversarial Network
学到 认得 就够：听到能明白
你可能会说
“我读到用生成对抗网络构造样本，对抗的两方各自在做什么？”
GAN 同时训练生成器与判别器：前者产生样本，后者区分样本与训练资料，两者的竞争为生成器提供学习信号。它是一类生成方法，并非所有生图模型的通称。
使用 AI
科研里的例子
用 GAN 补充训练图像时，应检查少见作物、季节和拍摄条件是否被覆盖，避免补充后反而强化样本偏差。
生成器把随机输入变成候选数据，判别器依据真假任务给反馈，训练交替改善二者。理想目标与真实数据分布有关，但实际优化可能不稳定，也可能只覆盖少数模式。因而生成得逼真并不保证样本分布代表现实，更不保证保留罕见群体。社科中若使用生成数据，必须交代生成方法、覆盖与验证，不能把视觉相似当作统计可替代的证据。
判断
亲手检查一次
在一个公开 GAN 演示中逐个更换随机输入，观察样本多样性；记录重复模式，而不仅挑最好看的一张展示。
它做不到的
GAN 的对抗训练与对抗攻击是不同概念；不把判别器能否识假解释成真实性审查已经完成。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。