GAN是无人监督的还是有监督的？

Question

我从一些来源听说生成式对抗网络是无监督的ML，但我不明白。生成性对抗网络实际上不受监督吗？

1) 2类真假反假案例

实际上，人们必须向鉴别器提供训练数据，这些数据必须是“真实”数据，即我会用f.e标记的数据。1.即使没有显式地标记数据，也可以通过在第一步中向鉴别器提供训练数据来隐式地标记数据，您可以告诉鉴别器是真实的。这样，你就可以以某种方式告诉鉴别器训练数据的标签。相反，在生成器的第一步生成的噪声数据的标签，生成器知道它是不真实的。

2)多类情况

但在多类的情况下，它变得非常奇怪。必须在训练数据中提供描述。明显的矛盾是提供了对无监督最大似然算法的响应。

Answer 1

GANs是无监督学习算法，它使用监督损失作为训练的一部分。后者似乎是你被挂起的地方。

当我们谈论监督学习时，我们通常谈论的是学习预测与数据相关联的标签。目标是将模型推广到新数据。

在GAN示例中，您没有这些组件中的任何一个。数据没有标签，我们也不会试图将任何类型的预测推广到新数据。GAN的目标是对数据进行建模(即密度估计)，并能够生成它所学到的新示例。

GAN设置监督学习问题以进行无监督学习，生成伪/随机看起来的数据，并尝试确定样本是生成的假数据还是真实数据。这是一个受监督的组件，是的。但这不是GAN的目标，标签也是微不足道的。

将受监督组件用于无监督任务的想法并不是特别新。对于异常值检测，随机森林已经这样做了很长一段时间(也是在随机数据和真实数据上训练的)，并且用于异常值检测的One-Class SVM在技术上是以监督的方式训练的，原始数据是真实类，空间原点(即零向量)上的单个点被视为异常值类。

Answer 2

都不是。粗略地说，层次结构如下所示：

               machine learning methodology
                             +
                             |
                             |
                             v
    +-----------------------------------------------+
    |                        |                      |
    |                        |                      |
    v                        v                      v
supervised              unsupervised           reinforcement