对抗自编码器用做域适应

BEGAN 将判别器 G 设计成自编码器用来重构分布误差对抗自编码器，并优化分 布误差之间对抗自编码器的距离，如下式 BEGAN 提出一种均衡概念，用以平衡 G 和 D 的训练，使 GAN 即使使用很简单的网络，不加如 BNminibath 等训练技巧也能得到很好的训练效果 同时还提出对抗自编码器了一种能够在样本多样性和样本质量上均衡的超参数以及衡量模型收敛性。

VAE代表变分自动编码器根据它的名字，你可以说VAE与自动编码器非常相似，从技术上讲，它有一个主要的变化自编码器只需要复制输入，而变分自编码器则需要复制输出，同时将其隐藏的神经元保持在特定的分布这意味着，网络的输出将不得不适应基于分布的隐藏神经元的输出，因此对抗自编码器我们可以生成新的图像，只。

深度合成背后的AI技术主要包括两块自编码器autoencoders和生成对抗网络GAN， Generative Adversarial Networks GAN由两组相互对抗的人工神经网络组成，一个是生成器，一个是鉴别器，在无数次对抗中，生成器最终做到让鉴别器不再能够区分真实数据和合成数据，从而生成高度逼真的内容业界最先进的。

生成式模型有变分自编码器Variational Autoencoders，VAE生成对抗网络Generative Adversarial Networks，GANs自回归模型Autoregressive Models流模型Flowbased Models扩散模型Diffusion Models等1 变分自编码器VAE这是一种基于深度学习的生成模型，它结合了神经网络和概率。

生成式模型有许多常见的算法，其中最为常见的包括生成对抗网络变分自编码器自回归模型等生成对抗网络是一种包含生成器和判别器两个网络的框架，通过互相博弈的方式使得生成器能够逐渐生成更逼真的样本变分自编码器是通过学习输入数据的潜在分布来进行生成的模型，它结合了自编码器和概率建模的思想。

预测未来值如THOC的TSS和STraTS的膨胀RNN和Transformer和序列重构如TimeNet的RNN自编码器是基础策略自编码器，如PTLSTMSAE和Autowarp，通过重构误差学习表示，但如何优化这一过程，如Abdulaal的谱分析自编码器和DTCR的Kmeans约束，成为研究的关键USAD通过双解码器和对抗训练提升表现，而FuSA。

首先来看看生成器能不能自己学习 生成器当然可以自己学习，在GAN之前就有自编码器AE变分自编码器VAE 自编码器是一个如下图所示结构的神经网络，其输入和输出的维度相同，中间的隐含层维度最小，作为编码的结果，其前半部分encoder会尽可能的保留原始输入的信息，以便在后半部分decoder还原输入 其实自编码器AE得。

研究者们运用了多层感知器MLP和卷积神经网络CNN构建的自动编码器，深入探讨了两种攻击策略白盒攻击基于Fast Gradient Method， FGM和针对未知输入的通用扰动算法1图2生动地展示了对抗性攻击如何显著提升误码率BLER，与常规干扰攻击相比，其破坏性更为显著即便在黑盒攻击场景下，攻。

变分自编码器同样的以特定分布的随机样本作为输入，并且可以生成相应的图像，从此方面来看其与对抗生成网络目标是相似的但是变分自编码器不需要判别器，而是使用编码器来估计特定分布总体结构来看与自编码器结构类似，但是中间传递向量为特定分布的随机向量， 这里需要特别区分编码器解码器生成器和判。