有一个系统的仿真模型，我想将其映射为神经网络，以测试是否可以以类似的精度实现更好的执行时间。
仿真模型接收其环境的实值测量数据并从中生成实值输出。
环境的实值测量数据是有限的，所以我考虑使用生成对抗网络来训练预测器。
目标是让生成器生成真实的输入。然后将这些输入到仿真模型中以生成输出。然后将使用输入和输出来训练预测器。
总体目标是得到一个具有高质量和良好泛化能力的预测器。
生成器的目标一方面是生成尽可能真实的输入，但另一方面也生成预测器尚未经过良好训练的输入。
最好的方法是什么？除了预测器之外，您是否可以添加一个鉴别器来强制生成器生成真实的输入？
因此，您想学习某个系统的动态模型，并且为了提高模型的鲁棒性，您需要从 GAN 中对各种输入进行采样。
虽然学习动态模型当然是可能的，但我认为仅使用 GAN 生成输入并不是一个好主意——事实上，GAN 以模式下降和模式崩溃而闻名，这正是你不想要的。如果您想走这条路，我建议您使用 VAE，因为它们不太容易受到此问题的影响。
有大量工作会生成合成数据（例如，3D 场景的计算机渲染），然后使用条件 GAN 来提高渲染的真实感。这避免了模式丢失（因为您完全控制了计算机渲染）。当然，缺点是由程序员来生成各种、有趣和具有挑战性的合成数据。
一个补充的攻击线是数据增强——通常可以轻松地以许多有趣的方式轻微扰动单个输入数据点（对于图像：翻转、裁剪、旋转、颜色调整、弹性变形、添加雨/雾等）合成新的数据点。