GAN和VAEs關於KL散度的比較

Gan的優化目標是達到納什均衡（爲了使損失函數達到最優，生成器與判別器均不會單獨改變而是互相對抗），從而儘可能準確的恢復P(data), variational autoEncoder方法通常能夠獲得很好的似然，但生成低質量的樣本。GAN能生成更好的樣本，但跟FVBNs,VAEs比起來,更難優化。 GAN能生成更真實的樣本是因爲GAN最小化Jensen-Shannon divergence， 而V

>>阅读原文<<