1. InforGAN

在训练 GAN 的时候，我们通常比较期待 input 的那个 vector 它的每一个 dimension 代表了某种 specific 的 characteristic，然后你改了 input 的某个 dimension，output 就会有一个对应的变化，然后你可以知道每一个 dimension 它做的事情是神马。但是实际上往往 input 的 dimension 和 output 有时候观察不到有什么关系。

InforGAN 想要解决的就是这样的问题。区别于传统的 GAN，输入 vector 划分为两部分组成: $c$, $z^{'}$, 同时还增加了一个 classifier。这里你可以把 Generator 和 Classifier 看成是一个 "Auto-encoder", 只不过它和传统的 Auto-encoder 相反（Encoder 输入是 code 输出是图片，Decoder 输入时图片输出是 code。

这里的理论依据是，如果今天 Generator 可以学到 input $c$ 的每一个维度对 output $x$ 都有一个明确的影响，那么 Classifier 就可以轻易捕捉到这种影响从而反推出原来的 $c$ 是什么。特别的 $z^{'}$ 代表的则是那些无法解释的部分。

2. VAE-GAN

VAE-GAN 是 GAN 和 VAE 的结合体，现在主流的貌似有很多将 GAN 和 VAE 结合起来用。

VAE	VAE-GAN

可以看出 VAE-GAN 是在 VAE 的基础上再加一个 Discriminator，这个 Discriminator 的工作就是 check 这个 decoder 的 output $x$ 看起来像不像是真的。在训练 VAE-GAN 的时候，一方面 Encoder-Decoder 想要让 Reconstruction Error 越小越好，另一方面 Decoder(Generator) 希望它的 output x 越 realistic 越好。从 VAE 的角度来看，Discriminator 的加入让 VAE 生成的图像更真实，从 GAN 角度来看，传统的 GAN 中 Generator 从来没见过真正的 image 长什么样子，那么它要花很多力气和时间去调参数才能让 Generator 真正学会产生更真实的 image，Encoder 的则可以让 Generator 见到真实的图片长什么样子，这就使得 VAE-GAN 学起来会更稳一点。

算法流程上，每次迭代：先 sample M 个 real image $x$，经过 Encoder 后得到 $ ilde{z}$，经过 Decoder 得到 reconstruct image $ ilde{x}$；再从某个 distribution 里 sample M 个 vector $z$，经过 Decoder 得到生成图片 $hat{x}$。然后先训练 Encoder，它要 minimize Autoencoder Reconstruction Error；再训练 Decoder，它一方面也是要 minimize Autoencoder Reconstruction Error，另一方面它还想要能骗过 Discriminator；最后训练 Discriminator，如果是个 real image 给高分，fake image 给低分，这里 fake image 有两种，一种是 reconstruct 出来的一种是 random code generat 出来的。还有一种做法是 Discriminator 不是一个二分类而是三分类，即将 reconstruct image 和 random code generat image 区别开来。

3. BiGAN

BiGAN 也是修改了 Autoencoder。我们知道，在 Autoencoder 里面是把 encoder 的 output 丢给 decoder 去做 reconstruction，但在 BiGAN 中 Encoder 和 Decoder 是相对独立工作的，如图所示它们的 output 和 input 不是接在一起的。Encoder 输入 real image 输出 code, Decoder 输入 code 输出 generated image, 随后一个 Discriminator 输入的是一对 image & code pair 来鉴别这对 pair 是从 Encoder 来的还是 Decoder 来的。

算法流程上，每次迭代：先 sample M 个 real image $x$，经过 Encoder 后得到 $ ilde{z}$; 从某个 distribution 里 sample M 个 vector $z$，经过 Decoder 得到生成图片 $ ilde{x}$。然后先更新 Discriminator 使得真实 pair 分数高，生成 pair 的分数低；再更新 Encoder-Decoder 让 Discriminator 给真实 pair 低分，给生成 pair 高分。也就是说 Discriminator 想要做什么事， Encoder-Decoder 就要反着干就是了！

那么 BiGAN 这么做到底是有什么道理呢？

在 GAN 中 Discriminator 做的事情就是在衡量 real image 和 generated image 的某种 divergence 到底接不接近，那么今天我们在 BiGAN 中将 Encoder 的 input & output 合起来有一个 Joint Distribution $P(x, z)$，将 Decoder 的 input & output 合起来有一个 Joint Distribution $Q(x, z)$，今天 Discriminator 所要做的事情就是衡量着两个 Joint Distribution 之间的差异，然后我们希望通过 Discriminator 使得这两个 Distribution 越接近越好。理想情况下 BiGAN 中 Encoder 和 Decoder 是两个可以完全互逆的运算，尽管在训练中 Encoder 和 Decoder 没有连接在一起。从目的上来看 BiGAN 其实和学习右图两个 AutoEncoder 是一样的（二者的 optimal solution 是一样的），但是实际上二者的 Error Surface 是不一样的。实验中会发现 AutoEncoder 生成的图片可能会和真实图片很像但是不清晰，而 BiGAN 相反，它生成的图像很清晰但是有可能非常不像，这可能是由于 BiGAN 比较容易抓到语义信息。

4. Triple GAN

Triple GAN 本身是一个 Conditional GAN。

这里 Generator 吃一个随机向量 z 和一个 condition y，生成一个 x，将 x 和 y 的 pair 丢到 Discriminator 里面来分辨是 real 还是 fake。Triple GAN 是一个 Semi-Supervised Learning 的做法，假设你有少量的 labeled data，但是你有大量的 unlabeled data。今天 Classifier 的作用是输入一个 x，输出一个 y，在训练 Classifier 的时候你可以用 labeled real x/y pair 来训练，你也可以用 Generator 生成的 pair 来训练，目的是增加 training data，随后 Discriminator 会去鉴别 Classifier 的 input 跟 output 直接的关系。

5. Domain-adversarial training

Domain-adversarial training 要做的就是我们要 learning 一个 Generator, 这个 Generator 的工作就是抽 feature。但是我们往往会遇到训练集和测试集的 domain 不一样的情况，这里我们可以用 GAN 的思路来抽取一个无关 domain 的 feature。

我们的做法是，训练一个 Generator作为 feature extractor, 训练一个 Discriminator 作为 domain classifier 来判断抽取的 feature 来自于哪个 domain，最后才是训练一个原先的 classifier 任务。原则上几个任务同时 train 是可以的，实际上会比较不稳，可以 iterative 的去 train.

这样的技术可以用在 Feature Disentangle 里面。假设你现在 learn 一个 sequence to sequence 的 Auto-Encoder。这个 Auto-Encoder 设计的目的可能是为了抽取一个代表发音资讯的 latent representation，但你这么做可能未必能抽取这样的 feature。

这是因为这个提取的 feature 包含很多的信息，而如果我们想要确定这个 feature 的哪些维度代表发音资讯，这就需要用到一个叫 Feature Disentangle 的技术。假设你现在要 learn 两个 Encoder，一个输出代表发音的资讯，一个输出代表语者的资讯，然后 Decoder 接收这两个讯息来还原出原来的声音讯号。这样的话我们就可以分别把抽取的发音资讯送给发音辨识系统，把抽取的语者资讯送给声纹辨识系统。当然你直接这么 learn 是没法保证结果的，这里你需要一些额外的 constrain。

我们可以这么做：

对于语者资讯提取，我们很容易按照：如果是同一个人说的，那 output 的 embedding 尽可能相同；如果不是同一个人说的，那 output 的 embedding 尽可能不同。
对于发音资讯提取，则可以考虑按照 GAN 的思想，让 Phonetic Encoder 抽取出与语者无关的资讯！