为什么 GAN（生成对抗网络）被称为 "implicit" 生成网络？
Why GAN's (Generative Adverserial networks) are called "implicit" generative networks?
对抗性网络，例如 GAN，被称为“隐式” 网络。这是什么意思？而且，它们与 "explicit" 生成网络有何不同？什么是 “显式” 生成网络？
好的，在 this paper 中，它说：
“规定的概率模型是那些提供观察到的随机变量 x [...] 分布的明确参数规范的模型。机器学习和统计中的大多数模型都是这种形式，无论是 state-of-the-art 用于对象识别的分类器、用于机器翻译的复杂序列模型，还是 fine-grained spatio-temporal 跟踪疾病传播的模型。或者，我们可以指定隐式概率模型定义直接生成数据的随机过程。"
也许总结一下：规定的概率模型想要学习一组适合手头任务和数据的参数，例如对象分类。另一方面，implicit 概率模型生成数据，但公平地说，GAN 也被提供数据，例如MNIST 样本，如果调整得当，它们会自己生成 MNIST 数字。
希望对您有所帮助！
PS：我不确定 explicit 生成网络是否存在。你确定吗，也许你可以发送参考？毕竟总想用GAN生成数据...
让我通过开始人机算法之间的对话来为您提供一个简单的答案：
人类说：我有一些数据，我希望能够生成更多像这样的数据。准确地说，我需要能够从我的训练数据来自的 主要分布 生成更多数据。
生成模型说：给我你的数据，我会想办法帮助你。 Eighter 我会把你的数据来自的分布还给你，或者我会为你提供另一种聪明的方法，这样你就可以生成更多与原始数据相似的样本，甚至不用担心分布。
显式模型就像：给我们训练数据，我们给你数据的分布，所以你可以用它做任何你想做的事情。
- 如果你至少知道分布的类型，那将是一个巨大的帮助，我的工作更容易，我只需要找到分布的参数（例如，如果你告诉我分布是高斯，所以我的“学习过程”是为你估计均值和方差。它不需要是高斯，我也可以处理更复杂和高维的分布）
- 如果你不知道分布的类型，但仍然想让我给你一个分布，明确地说，我可以使用 non-parametric 模型，例如 Kernel Density Estimation.
隐式方法说：我们让您能够以疯狂的方式生成与您的训练数据相似的新样本！例如，看看 GAN，通过对你的数据进行游戏，最后，我们给你一些东西，一个黑盒子，我们称之为生成器，你可以将一个随机数传递给它，它会神奇地给你一个新样本。在训练这个黑匣子时，我们不会直接去理会任何分布的东西。
对抗性网络，例如 GAN，被称为“隐式” 网络。这是什么意思？而且，它们与 "explicit" 生成网络有何不同？什么是 “显式” 生成网络？
好的，在 this paper 中，它说：
“规定的概率模型是那些提供观察到的随机变量 x [...] 分布的明确参数规范的模型。机器学习和统计中的大多数模型都是这种形式，无论是 state-of-the-art 用于对象识别的分类器、用于机器翻译的复杂序列模型，还是 fine-grained spatio-temporal 跟踪疾病传播的模型。或者，我们可以指定隐式概率模型定义直接生成数据的随机过程。"
也许总结一下：规定的概率模型想要学习一组适合手头任务和数据的参数，例如对象分类。另一方面，implicit 概率模型生成数据，但公平地说，GAN 也被提供数据，例如MNIST 样本，如果调整得当，它们会自己生成 MNIST 数字。
希望对您有所帮助！
PS：我不确定 explicit 生成网络是否存在。你确定吗，也许你可以发送参考？毕竟总想用GAN生成数据...
让我通过开始人机算法之间的对话来为您提供一个简单的答案：
人类说：我有一些数据，我希望能够生成更多像这样的数据。准确地说，我需要能够从我的训练数据来自的 主要分布 生成更多数据。
生成模型说：给我你的数据，我会想办法帮助你。 Eighter 我会把你的数据来自的分布还给你，或者我会为你提供另一种聪明的方法，这样你就可以生成更多与原始数据相似的样本，甚至不用担心分布。
显式模型就像：给我们训练数据，我们给你数据的分布，所以你可以用它做任何你想做的事情。
- 如果你至少知道分布的类型，那将是一个巨大的帮助，我的工作更容易，我只需要找到分布的参数（例如，如果你告诉我分布是高斯，所以我的“学习过程”是为你估计均值和方差。它不需要是高斯，我也可以处理更复杂和高维的分布）
- 如果你不知道分布的类型，但仍然想让我给你一个分布，明确地说，我可以使用 non-parametric 模型，例如 Kernel Density Estimation.
隐式方法说：我们让您能够以疯狂的方式生成与您的训练数据相似的新样本！例如，看看 GAN，通过对你的数据进行游戏，最后，我们给你一些东西，一个黑盒子，我们称之为生成器，你可以将一个随机数传递给它，它会神奇地给你一个新样本。在训练这个黑匣子时，我们不会直接去理会任何分布的东西。