论文《生成对抗网络》于2014年6月由伊恩·古德费洛及其同事发表，引入了一种新颖的框架，该框架后来被称为生成对抗网络（GAN）。在此框架中，两个神经网络，即生成器和判别器，在零和博弈中相互竞争，其中一方的收益即为另一方的损失。该出版物为一系列模型奠定了基础，这些模型能够生成与给定训练集具有相同统计特征的新数据，从而实现了从逼真图像合成到计算机视觉等领域中的数据增强等应用。
从核心来看，GAN基于一种间接训练原理运作。生成器的目标是产生与真实数据无法区分的合成样本，而判别器的目标是正确地将输入分类为真实（来自训练集）或虚假（来自生成器）。生成器并非针对特定目标进行训练，而是旨在欺骗判别器，而判别器本身则不断更新以变得更加敏锐。这种对抗过程使模型能够以无监督方式学习，使得GAN在标记数据稀缺的任务中尤为强大。该概念借鉴了进化生物学中的拟态类比，其中进化军备竞赛驱动两个网络不断改进。
数学公式
GAN博弈定义在概率空间\( (\Omega, \mu_{\text{ref}}) \)上，其中\( \mu_{\text{ref}} \)是训练数据的参考分布。生成器的策略集是\( \Omega \)上所有概率测度\( \mu_G \)的集合，代表其输出分布。判别器的策略集由马尔可夫核组成，这些核为每个输入分配其为真实的概率。目标函数为：
\[ L(\mu_G, \mu_D) = \mathbb{E}_{x \sim \mu_{\text{ref}}, y \sim \mu_D(x)}[\ln y] + \mathbb{E}_{x \sim \mu_G, y \sim \mu_D(x)}[\ln(1 - y)] \]
生成器最小化此目标，而判别器则最大化它。生成器旨在使\( \mu_G \)紧密逼近\( \mu_{\text{ref}} \)，从而使判别器对真实数据输出接近1的值，对生成数据输出接近0的值。在均衡状态下，生成器产生的样本与真实分布无法区分，而判别器则退化为随机猜测。
实际训练过程
在实践中，训练涉及一个已知数据集，该数据集作为判别器的初始训练数据。判别器会接受训练集中的样本，直到达到可接受的准确度。生成器以从预定义潜空间（如多元正态分布）采样的随机输入作为种子。生成器合成候选样本，并由判别器进行评估。独立的Backpropagation程序应用于两个网络，使得生成器产生更好的样本，而判别器则更擅长标记合成样本。
对于图像生成，生成器通常是反卷积神经网络，而判别器是卷积神经网络。这种设置使得GAN能够单次通过生成完整样本，这与WaveNet或PixelRNN等自回归模型不同，后者需要多次通过。训练过程是动态的，两个网络以对抗方式共同改进，常常导致模式崩溃或训练不稳定等挑战，这些已通过批归一化和不同损失函数等各种修改得到解决。
与其他机器学习方法的关系
GAN是隐式生成模型，意味着它们不显式建模似然函数，也不提供为给定样本找到潜变量的方法，这与基于流的生成模型不同。这一区别使它们与变分自编码器及其他显式模型区分开来。与玻尔兹曼机和线性ICA相比，GAN对网络使用的函数类型不施加限制，这得益于神经网络的通用逼近能力。截至2026年，变分自编码器已被证明在某些条件下是通用逼近器，但GAN仍然是一种独特且广泛使用的方法。
与完全可见的信念网络不同，GAN在一次前向传播中生成整个样本，这使得它们在生成高维数据时计算效率高。然而，它们不提供直接的似然估计，这在某些应用中可能是一个缺点。对抗训练范式也影响了其他领域，如对抗鲁棒性和生成式AI，其中GAN作为基础技术。
影响与应用
2014年引入的GAN对深度学习领域产生了深远影响。它们成为处理生成式AI的突出框架，使得创建逼真的合成图像、音频和视频成为可能。应用范围从艺术生成和图像到图像翻译，到医学影像中的数据增强和半监督学习。该框架还推动了强化学习和全监督学习任务的研究，因为GAN在原始无监督学习范围之外也证明有用。
尽管取得了成功，GAN仍面临训练不稳定和样本质量评估困难等挑战。尽管如此，它们仍然是人工智能研究的关键领域，持续的发展正在解决这些问题。古德费洛及其同事的2014年论文被广泛引用，并启发了众多变体，包括条件GAN、循环一致GAN和渐进式GAN，每种都在特定方面改进了原始框架。
结论
2014年6月发表的GAN论文标志着机器学习的一个里程碑，引入了一个概念上优雅的对抗框架，该框架后来成为生成建模中的支柱。通过让两个神经网络相互竞争，GAN在生成逼真数据方面取得了显著成果，对无监督学习、半监督学习及更广泛领域具有意义。随着领域的发展，GAN继续证明了神经网络训练中竞争动态的力量。