GAN 作为一种生成式方法, 有效解决了可建立自然 性解释的数据的生成难题.
尤其对于生成高维数据, 采用的神经网络结构不限制生成维度, 大大拓宽了生成数据样本的范围.
GAN的训练过程创新性地将两个神经网络的对抗作为训练准则并且可以使用反向传播进行训练
训练过程不需要效率较低的马尔科夫链方法, 也不需要做各 种近似推理, 没有复杂的变分下界, 大大改善了生成式
GAN 的生成过程不需要繁琐的采样序列, 可以直接进行新样本的采样和推断, 提高了新样本的生成效率.
对抗训练方法摒 弃了直接对真实数据的复制或平均, 增加了生成样本的多样性.