模式崩潰會導致生成對抗網絡（GAN）產生重復輸出。盡管有一些解決方案，但并沒有一種能夠完全解決這個問題的方法。那么，研究人員將如何解決這個問題？

事實上，生成式對抗網絡（GAN）是人工智能領域中令人矚目的應用之一。GAN風靡全球，憑借生成逼真的圖像、深度偽造（Deepfake）視頻、人工智能生成的藝術作品，甚至合成的生物數據，其能力讓人們驚嘆不已。但是GAN也有不為人知的秘密，這是工程師、人工智能愛好者和研究人員多年來面臨的一個難題：模式崩潰。

如果你以前訓練過GAN，那么就體會過其非凡的魅力。比如見證模型進化，完善功能，并創造越來越逼真的對象——這真是令人興奮！但這種情況發生了一些變化，GAN不再生成多樣化的輸出，而是開始重復生成幾乎難以區分的同一類物體的變體。就像讓GAN生成形態各異的貓，但它卻總是一次又一次地展示出同一只黑貓，這有些令人哭笑不得。

為什么會這樣? 到底發生了什么？真的能解決這個問題嗎？

在模式崩潰期間會發生什么？

從根本上來說，什么是模式崩潰？為什么GAN這個具有如此巨大潛力的模型會崩潰，并拒絕生成多樣化的數據？

在GAN框架中，有兩個神經網絡：生成器和鑒別器。生成器將隨機噪聲作為輸入，并嘗試生成假數據（例如圖像或文本），而鑒別器則負責區分真實數據和生成器生成的假合成數據。如果生成器成功欺騙了鑒別器，就是生成器的勝利。如果鑒別器識別出假數據，那就是鑒別器的勝利。這是一個雙方參與的“對抗”游戲。

在理論上，隨著時間的推移，生成器應該能夠創建出越來越逼真并且多樣化的樣本，捕捉到真實數據分布（稱為“模式”）中的所有微妙變化。但在實際操作中，這種平衡往往會失控。生成器找到了一條捷徑，通常是通過生成一些樣本能夠很好地欺騙鑒別器。其結果如何？生成器從有限的輸出集中采樣，而沒有捕獲真實數據中存在的所有潛在變化。

從形式上來說，當生成器將許多潛在空間點（應該對應多樣化的輸出）映射到僅包含少數（已經崩潰）輸出的子集時，就會發生模式崩潰。所以，生成器不會合成不同類型的圖像，例如不同品種的狗，而是認為：“這張哈巴狗的圖像曾經奏效！我會繼續生產哈巴狗的圖像?！边@對哈巴狗愛好者來說很酷；但對于希望生成拉布拉多犬或吉娃娃的人來說，那就令人失望了。

為什么會出現模式崩潰？

我們從技術層面更深入地探討，因為了解問題的根源是直面并解決問題的關鍵。

問題的根源在于GAN如何優化其生成器的分布。需要記住，生成器和鑒別器之間的對抗游戲是基于最小化Jensen-Shannon（JS）散度的。這是一種復雜的說法，GAN試圖將真實數據分布和虛假（生成）數據分布之間的距離最小化。JS散度之所以被廣泛使用，是因為它消除了極端的不平衡，但關鍵問題在于：當真實數據和生成的數據分布差異太大時，梯度就會停止流動。

可以這樣想：當鑒別器在區分真實與虛假方面變得過于出色時，生成器收到的有關如何改進的反饋就會太少。其結果如何?生成器利用它可以精確再現的少數模式——通常會會陷入一組狹窄的輸出集合中，這些輸出足以欺騙鑒別器。從技術上來說，GAN的優化游戲陷入了一個局部最小值。

而且，這不僅僅是JS散度的問題。KL散度也有其自身的問題。如果真實分布中的一個模式在生成的樣本中缺失（想象GAN從未生成白貓的圖片）那么，KL散度最終將趨于無窮大。這只會讓事情變得更糟，因為當模型“試圖優化”這個散度時，它已經達到了一個沒有什么可優化的地步。它徹底崩潰了。

Wasserstein GAN：一個具有發展前景的解決方案？

那么應該如何解決這個問題呢？

人工智能領域引入的一種創新方法——Wasserstein GANs（WGANs）引起了廣泛討論。WGAN沒有使用JS散度，而是用Earth Mover’s Distance（或Wasserstein Distance）取而代之。這衡量的是將一個分布轉換為另一個分布所需的成本。

真正令人興奮的是，與JS散度不同，即使生成器的分布和實際數據分布相距甚遠，Wasserstein距離也能給出有意義的梯度。這意味著，在訓練過程中，生成器會獲得連續并且有用的反饋，指導它如何逐步調整其分布以更好地匹配真實數據，從而傾向于學習更平滑、更多樣化的表示。

但是，事情不可能這么簡單。

盡管WGAN確實可以提供幫助，但并不是靈丹妙藥。WGAN最初面臨的一個問題是，為了確保評論家（接替鑒別器的角色）表現良好，必須削減權重，這導致了優化方面的問題。因此出現了一個名為WGAN-GP（帶有梯度懲罰的Wasserstein GAN）的升級版本，它通過懲罰梯度而不是削減權重，以更平滑的方式強制執行Lipschitz連續性約束。

簡而言之：Wasserstein GAN在許多情況下能緩解模式崩潰問題，但在面對高度復雜的數據分布時仍會陷入困境。它們提供了信息更豐富的優化路徑，但是即便有了這種復雜的修復方法，模式崩潰仍會發生。

微調GAN：小批量鑒別和展開式GAN（Unrolled GAN）

以下進一步探索研究人員為解決模式崩潰而嘗試的一些更具創意的方法。

1.小批量鑒別

一個簡單而有效的想法來自于小批量鑒別。這個概念是為了讓鑒別器更智能——不僅在于區分單個假樣本和真實樣本，還能識別出缺乏多樣性的整批生成樣本。如果在同一批次中有太多生成的樣本過于相似，鑒別器就會發現這一點，迫使生成器變得更加多樣化。

這是如何實現的？通過將鑒別器的小批量統計信息與生成的樣本進行比較，可以增強鑒別器的能力。如果生成的樣本在特征空間中彼此過于接近，判別器就會察覺出問題，并告訴生成器：“再試一次，你一直在給我重復同一種類型的數據！”

從數學角度來看，基于特征的內核應用于整個批處理。如果某些特征空間中的兩個樣本非常相似，它們很可能會陷入同一模式。此時，鑒別器相應地懲罰生成器。

但是，小批量鑒別并不是靈丹妙藥。它增加了計算成本，有時可能過于嚴格，導致生成器變得過于謹慎。

2.展開式GAN（Unrolled GAN）

還有一種更具前瞻性的方法：Unrolled GAN。這個解決方案是由谷歌DeepMind的研究人員提供的，它基于一個巧妙的想法。與其只更新鑒別器訓練的一步生成器，不如將鑒別器的優化展開到多個步驟中。

生成器不再局限于應對短期的“游戲”，即欺騙當前狀態的鑒別器，而是被迫預測并應對判別器在訓練過程中的演變。通過展開，生成器不斷嘗試預測其行為將如何影響未來的判別器，并基于這種長期視角進行訓練。

從數學上講，這意味著生成器不能直接將傳統的對抗損失最小化。與其相反，它最小化了展開損失函數，包含了鑒別器的幾個梯度步驟的完全“展開”。

這是一種很好的修復方法，它通過迫使生成器經常用沖其投注的方式來顯著減少模式崩潰的趨勢，而不是依賴立即利用當前的鑒別器行為。

但是，展開會使GAN訓練的計算成本更高。對于每次生成器的更新，可能需要多個鑒別器梯度步驟，這將顯著降低訓練速度。

潛在問題：InfoGAN和潛在空間正則化

在這里還沒有涉及導致模式崩潰的一個非常核心的因素：潛在空間。

傳統GAN在將隨機噪聲輸入（潛碼）映射到生成樣本方面沒有提供太多結構。這是有問題的，因為如果映射缺乏結構，生成器可能會將多個潛碼分組到一個模式中，從而有效減少輸出的多樣性。

解決這個問題的一個簡單但有效的方法是InfoGAN——它是一種變體，可以最大限度地利用潛碼和生成輸出之間的互信息(Mutual Information)。

互信息鼓勵生成器尊重潛在空間中的變化。這產生了可解釋的潛在空間，其中潛碼的不同維度對應于數據中有意義的變化。例如，一個維度現在可以明確控制生成對象的旋轉或面部特征，從而帶來更多的模式多樣性。

這在圖像生成或解糾纏的圖像到圖像的轉換等領域特別有用，在這些領域中，需要關心的是執行不同的變化，而不是陷入少數幾個模式。

真的能消除模式崩潰嗎？

事實上，雖然已經提出并實施了許多修復方法（從WGAN到Unrolled GAN等），但完全消除模式崩潰仍然難以實現。這并不是說沒有取得進展，已經在很大程度上改進了GAN。然而，模式崩潰似乎是生成器和鑒別器之間動態關系的固有特性。這兩個神經網絡在進行競爭，而只要有競爭，就可能學會利用模式或捷徑。

也就是說，例如更健壯的損失函數、批量級反饋（小批量鑒別）和混合努力（InfoGAN）等緩解策略，已經使模式崩潰在許多實際應用中不再是交易破壞者。我們可以有效地引導GAN覆蓋有意義的模式。

在未來，可能會看到將對抗性框架與規范化流等方法結合起來的混合設計，這些方法通過設計自然地避免了模式崩潰。

那么能否徹底消除模式崩潰？可能不會。但只要了解它發生的原因以及有哪些工具可用，就可以有效緩解模式崩潰，從而構建出一些出色的模型。

雖然GAN有一些問題，但它們仍然是人工智能發展中最令人興奮的領域之一。模式崩潰只是使這個領域如此豐富和引人注目的眾多謎題之一。如果你在解決模式崩潰方面有新突破，歡迎分享。讓我們一起解決這個問題。

原文標題：?Mode Collapse in GANs: Can We Ever Completely Eliminate This Problem???，作者：Ashish Pawar