详尽解释GAN的发展脉络和最新进展PPT

Sebastian Nowozin 在机器学习夏季课程（MLSS 2018 年 9 月）做了关于 GAN 的教学，153 页 PPT 详尽的解释了 GAN 的发展脉络和最新进展，此外他所提供原版大小为 286MB 的 pptx 中包含大量动画效果，对课程的理解很有帮助。

Sebastian Nowozin 是微软剑桥研究院首席研究院，专注于无监督于表示学习。他在 GAN 领域做了大量的工作，同时也是著名的f-GAN的作者。

在训练 GAN 方面似乎有两三个阵营：第一个当然就是 GAN 的发明 Ian Goodfellow 以及他所供职的 OpenAI 和谷歌的一帮研究人员；第二个强大的阵营也就是以这篇教程作者 Sebastian Nowozin为代表的微软阵营；第三就是其他了。

此次教程主要有以下几个部分：

概率模型

GANs 的几个示范应用

评价原则

GAN 模型

差异性与 f-GAN 家族

基于积分概率度量 (IPM) 的 GAN: MMD

基于积分概率度量 (IPM) 的 GAN: Wasserstein GANs

问题与如何修正：模式崩溃 (modecollapse) 与不稳定性（Instability）

隐式模型

开放性研究问题

GAN 网络是近两年深度学习领域的新秀，一时风头无两。从计算机视觉顶会盛会 CVPR 2018 接受的论文统计就可见一斑：根据 Google Research 的研究科学家 Jordi Pont-Tuset 做的一个统计，它通过查看这些论文的类型，看到了未来深度学习的发展趋势。结果，他发现生成对抗网络（GAN）强势出击，大有取代 “深度学习”（Deep Learning）之势。

下面这张图展示了 CVPR 2018 的论文题目中，关键词 GAN、Deep，以及 LSTM 的对比：

在普通的 “深度学习” 走下坡路的同时，GAN 慢慢的成为新宠，统计显示有 8% 的论文标题中含有 GAN（这一数据相比 2017 年增长了 2 倍多）。

此外用尽字母表的各种 GAN 的变体 X-GAN 的论文数量也是急剧增加：

附 PPT 全文：