BEGAN 將判別器 G 設(shè)計(jì)成自編碼器用來重構(gòu)分布誤差對抗自編碼器，并優(yōu)化分 布誤差之間對抗自編碼器的距離，如下式 BEGAN 提出一種均衡概念，用以平衡 G 和 D 的訓(xùn)練，使 GAN 即使使用很簡單的網(wǎng)絡(luò)，不加如 BNminibath 等訓(xùn)練技巧也能得到很好的訓(xùn)練效果 同時(shí)還提出對抗自編碼器了一種能夠在樣本多樣性和樣本質(zhì)量上均衡的超參數(shù)以及衡量模型收斂性。

VAE代表變分自動(dòng)編碼器根據(jù)它的名字，你可以說VAE與自動(dòng)編碼器非常相似，從技術(shù)上講，它有一個(gè)主要的變化自編碼器只需要復(fù)制輸入，而變分自編碼器則需要復(fù)制輸出，同時(shí)將其隱藏的神經(jīng)元保持在特定的分布這意味著，網(wǎng)絡(luò)的輸出將不得不適應(yīng)基于分布的隱藏神經(jīng)元的輸出，因此對抗自編碼器我們可以生成新的圖像，只。

深度合成背后的AI技術(shù)主要包括兩塊自編碼器autoencoders和生成對抗網(wǎng)絡(luò)GAN， Generative Adversarial Networks GAN由兩組相互對抗的人工神經(jīng)網(wǎng)絡(luò)組成，一個(gè)是生成器，一個(gè)是鑒別器，在無數(shù)次對抗中，生成器最終做到讓鑒別器不再能夠區(qū)分真實(shí)數(shù)據(jù)和合成數(shù)據(jù)，從而生成高度逼真的內(nèi)容業(yè)界最先進(jìn)的。

生成式模型有變分自編碼器Variational Autoencoders，VAE生成對抗網(wǎng)絡(luò)Generative Adversarial Networks，GANs自回歸模型Autoregressive Models流模型Flowbased Models擴(kuò)散模型Diffusion Models等1 變分自編碼器VAE這是一種基于深度學(xué)習(xí)的生成模型，它結(jié)合了神經(jīng)網(wǎng)絡(luò)和概率。

生成式模型有許多常見的算法，其中最為常見的包括生成對抗網(wǎng)絡(luò)變分自編碼器自回歸模型等生成對抗網(wǎng)絡(luò)是一種包含生成器和判別器兩個(gè)網(wǎng)絡(luò)的框架，通過互相博弈的方式使得生成器能夠逐漸生成更逼真的樣本變分自編碼器是通過學(xué)習(xí)輸入數(shù)據(jù)的潛在分布來進(jìn)行生成的模型，它結(jié)合了自編碼器和概率建模的思想。

預(yù)測未來值如THOC的TSS和STraTS的膨脹RNN和Transformer和序列重構(gòu)如TimeNet的RNN自編碼器是基礎(chǔ)策略自編碼器，如PTLSTMSAE和Autowarp，通過重構(gòu)誤差學(xué)習(xí)表示，但如何優(yōu)化這一過程，如Abdulaal的譜分析自編碼器和DTCR的Kmeans約束，成為研究的關(guān)鍵USAD通過雙解碼器和對抗訓(xùn)練提升表現(xiàn)，而FuSA。

首先來看看生成器能不能自己學(xué)習(xí) 生成器當(dāng)然可以自己學(xué)習(xí)，在GAN之前就有自編碼器AE變分自編碼器VAE 自編碼器是一個(gè)如下圖所示結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，其輸入和輸出的維度相同，中間的隱含層維度最小，作為編碼的結(jié)果，其前半部分encoder會(huì)盡可能的保留原始輸入的信息，以便在后半部分decoder還原輸入 其實(shí)自編碼器AE得。

研究者們運(yùn)用了多層感知器MLP和卷積神經(jīng)網(wǎng)絡(luò)CNN構(gòu)建的自動(dòng)編碼器，深入探討了兩種攻擊策略白盒攻擊基于Fast Gradient Method， FGM和針對未知輸入的通用擾動(dòng)算法1圖2生動(dòng)地展示了對抗性攻擊如何顯著提升誤碼率BLER，與常規(guī)干擾攻擊相比，其破壞性更為顯著即便在黑盒攻擊場景下，攻。

變分自編碼器同樣的以特定分布的隨機(jī)樣本作為輸入，并且可以生成相應(yīng)的圖像，從此方面來看其與對抗生成網(wǎng)絡(luò)目標(biāo)是相似的但是變分自編碼器不需要判別器，而是使用編碼器來估計(jì)特定分布總體結(jié)構(gòu)來看與自編碼器結(jié)構(gòu)類似，但是中間傳遞向量為特定分布的隨機(jī)向量， 這里需要特別區(qū)分編碼器解碼器生成器和判。