2016 ICLR | Adversarial Autoencoders

Paper: https://arxiv.org/abs/1511.05644

Adversarial Autoencoders

Adversarial Autoencoder（AAE）是将GAN与autoencoder相结合，仿照GAN的训练方式来训练自编码器网络。其中上半部分就是一个简单典型的AE结构，包含input layer，encoder layer, hidden layer, decoder layer , output layer。encoder把真实分布x映射成隐层的z, decoder 再将z解码还原成x。

AAE的特点就在于在隐层hidden layer中引入了对抗的思想来优化隐层的z，判别器discriminator 需要在隐层 判断采样后的真实数据和生成器encoder所产生的假数据。因此discriminator的目的就是使得q(z | x) 不断向p(z)靠近, Matching the aggregated posterior q(z) to the prior p(z）.

其中有三种q(z | x)的选择，包括确定性函数，高斯后验和通用近似后验，其中使用确定性函数，它的q（z）只是和真实数据分布有关，其他两种的q（z）除了与真实分布有关，还与这两种方式中的某些随机性有关。

优点

将GAN中的discriminator与autoencoder相结合，得到了强大的自编码器
不需要使用重参数化就能训练，效果比VAE好
AAE的结构修改可以使用到多种任务上，可扩展性极好