论文：https://arxiv.org/pdf/1406.2661v1.pdf
译文：生成式对抗网络
摘要
我们提出一个通过对抗过程来评估生成模型的新框架。在这个框架里，我们同时训练两个模型：1）生成模型G，获取数据分布；2）判别模型D，评估一个样本是从训练集来的而不是模型G生成的概率。生成模型G的训练过程就是，尽可能让判别模型D出错。这个框架对应于minimax双人游戏。
介绍
相关工作
对抗网络
当模型都是多层感知机时，对抗建模框架能够最直接地应用。为了在数据x上学习生成器G的分布pg，我们定义一个先验
实验
优缺点
结论和后续工作
个人理解
生成式对抗网络（Generative Adversarial Network，简称GAN），主要由两部分构成：生成模型G和判别模型D。训练GAN就是两种模型的对抗过程。
生成模型：利用任意噪音（random noise）来产生一个样本。
判别模型：判断一个样本是真实的（real），还是生成模型产生的（fake）。
对抗过程
两种模型都不断提升自己。生成模型总是尽可能产生一个接近真实的样本。判别模型总是尽可能分辨出生成模型产生的样本。直到判别模型无法判断一个样本是真实的，还是生成模型产生的。
极小极大博弈
不需要近似推断和马尔科夫链。