Generative Adversarial Nets

教材中的引用位置

1. A09 · 第 3 章 生成对抗网络与散度最小化

   支持的主张：GAN 原论文用于核对生成器—判别器极小极大目标、最优判别器分析和原始实验范围；《Deep Learning》用于核对概率建模、反向传播、优化与生成模型的统一背景。本章关于原始目标的数学结论以论文为依据，模式崩塌和训练稳定性则按后续工程现象陈述，不伪装成原论文定理。

2. A09 · 第 4 章 正规化流与可逆变换

   支持的主张：GAN 原论文在本章只用于核对隐式生成模型的极小极大训练，作为可逆流显式密度和精确变量替换公式的对照；《Deep Learning》用于核对概率密度、可逆变换、Jacobian 与生成建模基础。因此本章的 flow 似然不归因于 GAN 论文，引用它支持的是两类生成目标的边界比较。

3. A09 · 第 6 章 生成质量、覆盖与生成模型综合复习

   支持的主张：《Deep Learning》用于核对显式/隐式密度、潜变量和生成训练的一般框架；VAE 论文用于核对 ELBO 与重参数化梯度，GAN 论文用于核对对抗极小极大目标，DDPM 论文用于核对前向加噪、反向链和噪声预测目标。本章的比较表逐列对应这些不同目标，不把某一模型的似然、样本质量或训练代价指标移用于另一模型。