问为什么GAN(生成状语网络)被称为“内隐生成网络”？

EN

让我通过开始人类和计算机算法之间的对话来给你一个简单的答案：

人类说：我有一些数据，我希望能够生成更多类似于这些数据的数据。准确地说，我需要能够从我的培训数据的主要分布中生成更多的数据。

一个生成模型说：给我你的数据，我会找到一个方法来帮助你。我会给您返回您的数据来源的分布，或者我将提供另一种聪明的方法，这样您就可以生成更多类似于原始数据的样本，而不必费心于发行版。

• 显式模型类似于：给我们提供培训数据，我们给您数据的分布，这样您就可以随意使用它了。

- If you at least know the type of the distribution, that would be a huge help, my work is easier, I only need to find the parameters of the distribution ( for example, if you tell me that the distribution is Gaussian, so as my "learning process" is to estimate the Mean and Variance for you. It doesn't need to be Gaussian, I can work with more complex and high dimensional distributions too)
- If you don't know the type of the distribution, but still want me to give you a distribution, explicitly, I can go with non-parametric models such as _Kernel Density Estimation_.

• 隐式方法：：我们给您提供了以疯狂的方式生成与您的培训数据类似的新样本的能力！举个例子，看看GANs，通过玩一个关于你的数据的游戏，最后，我们给你一个黑匣子，我们叫它发电机，你可以把一个随机数传递给它，它会神奇地给你一个新的样本。在训练这个黑匣子的过程中，我们不会直接处理任何发行内容。

好吧，在本论文里，上面写着：

“指定的概率模型是那些为观察到的随机变量x的分布提供明确的参数说明的模型.机器学习和统计中的大多数模型都是这种形式，无论它们是最先进的对象识别分类器，用于机器转换的复杂序列模型，还是跟踪疾病传播的细粒度时空模型。或者，我们可以指定隐式概率模型来定义直接生成数据的随机过程。”

也许可以总结一下:一个指定的概率模型想要学习一组适合于手头任务和数据的参数，例如对象分类。另一方面，隐式概率模型生成数据，但为了公平起见，GANs也提供数据，例如MNIST样本，如果适当地调整，它们就会产生MNIST数字。

希望这能帮点忙！

PS:我不确定是否存在显式的生成网络。你确定，也许你能发个推荐信？毕竟，人们总是想用GAN来生成数据.