为什么将GAN生成对抗网络称为“隐式”生成网络？

诸如GAN的专业网络称为“隐式” 网络。这是什么意思？而且，它们与“显式” 生成网络有何不同？什么是“显式” 生成网络？

让我通过在人与计算机算法之间进行对话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。确切地说，我需要能够从主分布生成更多数据，这些数据来自我的训练数据。

一个生成模型说：给我您的数据，我会找到一种方法来帮助您。 Auger我会给您返回数据的分布，或者我将为您提供另一种巧妙的方法，以便您可以生成更多与原始数据类似的样本，而不必担心这些分布。

显式模型就像：向我们提供训练数据，我们为您提供数据的分布，因此您可以使用它进行任何操作。
- 如果您至少知道分布的类型，那将有很大的帮助，我的工作会更容易，我只需要查找分布的参数（例如，如果您告诉我分布是高斯分布，因此我的“学习过程”就是为您估算均值和方差。它不一定是高斯的，我也可以处理更复杂和高维的分布。
- 如果您不知道分布的类型，但仍然希望我为您提供分布，则可以使用非参数模型，例如内核密度估计。
隐含方法：我们为您提供了以疯狂的方式生成类似于您的训练数据的新样本的功能！例如，看一下GAN，通过在数据上玩游戏，最后，我们给您一些东西，一个黑匣子，我们称它为Generator，您可以将一个随机数传递给它，它会神奇地给您一个新样本。在训练这个黑匣子时，我们不会直接打扰任何分发内容。

好的，在this paper中，它说：

“规定的概率模型是为观察的随机变量 x [...]的分布提供明确参数规范的模型。机器学习和统计学中的大多数模型都是这种形式，它们是用于对象识别的最新分类器，用于机器翻译的复杂序列模型或跟踪疾病传播的细粒度时空模型；或者，我们可以指定隐式概率模型来定义随机过程，该模型直接生成数据。”

也许可以总结一下：一个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，隐式概率模型会生成数据，尽管公平地说，GAN还提供了数据，例如MNIST样本，如果经过适当调整，它们会自己产生MNIST编号。

希望能有所帮助！

PS：我不确定 explicit 生成网络是否存在。您确定，也许您可以发送参考？毕竟，人们总是想用GAN ...