A. Makhzani, J. Shlens, N. Jaitly, I. Goodfellow, and B. Frey. (2015). ‘‘Adversarial autoencoders.’’ [Online]
该文提出“对抗式自动编码器”(AAE),这是一种概率式的自动编码器,它利用新提出的生成式对抗网络(GAN),以任意先验分布匹配自编码器隐藏码向量的后验集合来进行变分推理。将聚集的后验与先验进行匹配,可确保从先验空间的任何部分生成有意义的样本。因此,对抗性自动编码器的解码器学习了一个深度生成模型,该模型在数据分布之前映射施加的数据。我们展示了对抗式自动编码器如何在半监督分类、图像解缠风格和内容、无监督聚类、降维和数据可视化等应用中使用。我们在MNIST、街景房屋号码和多伦多人脸数据集上进行了实验,结果表明对抗自动编码器在生成建模和半监督分类任务中取得了具有竞争力的结果。
目的:1使隐藏向量更具有区分性.2使隐藏向量能生成更加完整分布
生成器G的编码器和下方判别器D组成的对抗网络,此处G和D联系起来的不再是图片数据,而是一个一维向量z,判别器D通过不断学习,预测输入的z来自于real data(服从q(z)概率分布)还是fake data(服从预定义的p(z)概率分布)。由于这里的p(z)可以是任何我们可以生成的一个概率分布,因此整个对抗学习过程实际上可以认为是通过调整encoder不断让其产生数据的概率分布q(z)接近我们预定义的p(z),当模型训练完成后,由于p(z)与q(z)十分相近,因此可以直接通过p(z)产生我们需要的随机latent variable,然后借助于解码器产生一个新的图像数据。