关键词：机器学习 无监督学习 梯度消失 模式崩溃 

摘要：生成对抗网络(GAN)作为一种新的无监督学习算法框架得到越来越多研究者的青睐,已然成为当下的一个研究热点。GAN受启发于博弈论中的二人零和博弈理论,其独特的对抗训练思想能生成高质量的样本,具有比传统机器学习算法更加强大的特征学习和特征表达能力。目前GAN在计算机视觉领域尤其是在样本生成领域取得显著成功,每年有大量GAN相关研究的论文产出。针对GAN这一热点模型,首先介绍了GAN的研究现状;接着介绍了GAN的理论、框架,详细分析了GAN在训练过程中存在梯度消失和模式崩溃的原因;然后讨论了一些典型的GAN的改进模型,总结了它们理论的改进之处、优点、局限性、应用场景以及实现成本,同时还将GAN与VAE、RBM模型进行比较,总结出GAN的优势和劣势;最后展示了GAN在数据生成、图像超分辨率、图像风格转换等方面的应用成果,并探讨了GAN目前面临的挑战以及未来的研究方向。

计算机科学与探索杂志要求:

{1}正文：论文篇幅（包括摘要、图、表、参考文献）。应包括研究背景、方法、结果、结论或讨论等几部分内容。

{2}作者应保证稿件内容的稳定性。稿件评审期间，除评审意见对稿件提出修改要求外，不接受作者自行对稿件进行的修改。

{3}来稿一律文责自负，依照《著作权法》，本刊可对来稿做文字修改、删减，凡有涉及原意的修改则提请作者考虑。

{4}题目简洁明了，字数一般不超过20字。

{5}每篇文章都需要有投稿作者和通讯作者，可以由同一人担任。如果是学生，通讯作者应该是指导教师。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社