连续几篇都是与表示学习相关,再来看看WAGN
首先是一个预备知识,关于sup和inf
接下来进入正题,先来看看原始的GAN是如何定义的
这种定义方式可以理解为所谓的“伪造者”,“判断者”用博弈论的方式理解,也可以视为分布拟合,窃以为后一种理解方式更为通用。接下来就可以进入主题看看WGAN的优化目标以及它与WAE的联系
这里补充一下f-gan的基本常识以便于理解对距离 的估计(摘自https://spaces.ac.cn/archives/6016)
个人以为,从对分布间距离的优化这个角度出发,VAE,WAE,WGAN都是紧密相关的,而f-gan的视角与方法可以作为一个思考的基础点,总体而言,把握住两个要点即可