基于确定性过程的生成对抗学习

物理人工智能正成功应用于不遵循独立同分布（i.i.d.）样本这一传统范式的数据。事实上，物理人工智能常在完全不随机的数据上进行训练，这些数据来源于湍流等混沌动力系统。我们旨在以生成对抗网络（GAN）为例，解释这些方法在经验上的成功；在 i.i.d. 假设下，GAN 的统计学习理论已被普遍充分理解。我们证明，利用无限维的生成对抗学习（GAL）模型，可以从单一确定性演化的状态时间序列或其测量序列中，学习一个充分混沌的动力系统的不变分布，并给出以 Jensen-Shannon 散度表示的收敛到解的显式速率。