在过去的几年里，GANs 一直是一个热门话题，每年都有很多关于 GANs 的论文发表。但我总是看到要么显示生成器的结果（示例图片或生成器生成的任何其他内容），要么将特征嵌入用于其他目的。在某些情况下，首先使用无监督数据训练 GAN，然后使用监督数据训练鉴别器网络以预测输出。
我从未完全正确地看到的是使用鉴别器来预测给定的输出。假设我有一个数据集，其中的点（具有 N 个特征）只有真正的类标签，并且我对一类分类问题感兴趣。收集虚假类别标签的数据是不可行的。我有兴趣用我拥有的数据点（真实类）训练 GAN，生成器显然会生成随机样本等等。因此，在训练 GAN 之后，给定一个新点，我希望判别器预测该点是否属于真实类别。
这种方法不起作用的原因是，在训练结束时，判别器收敛到真实数据和生成数据以相同概率分类时的状态，即判别器无法区分它们。考虑相反的情况：如果鉴别器仍然可以区分真实数据和生成数据，您可以简单地通过使用这些信息进行训练来继续改进生成器。
它在原始论文的图 1 中有很好的描述（Goodfellow 等人，2014：Generative Adversarial Nets）：
图 1：生成对抗网络通过同时更新 判别分布（，蓝色，虚线），以便从数据生成分布（黑色，虚线）中区分样本从那些生成分布()（绿色，实线）。下面的水平线是从哪个域被采样，在这种情况下是均匀的。上面的水平线是域的一部分. 向上的箭头显示映射如何施加非均匀分布在转换后的样本上。在高密度区域收缩，在低密度区域扩张. (a) 考虑一个接近收敛的对抗对：类似于和是一个部分准确的分类器。(b) 在算法的内循环中被训练来区分样本和数据，收敛到. (c) 更新后, 梯度已引导流向更有可能被归类为数据的区域。(d) 经过几个步骤的训练，如果和有足够的能力，他们将达到两者都无法提高的地步，因为. 鉴别器无法区分这两种分布，即.