GibbsNet：面向深度图模型的迭代对抗式推断

将联合分布表述为 $p(x,z) = p(z) p(x \mid z)$ 的有向隐变量模型具有快速且精确采样的优势。然而，这些模型的弱点在于需要指定 $p(z)$，通常用一个简单的固定先验，限制了模型的表达能力。无向隐变量模型摒弃了用先验指定 $p(z)$ 的要求，但从中采样一般需要如块吉布斯采样这样的迭代过程，可能需要许多步才能从联合分布 $p(x, z)$ 抽取样本。我们提出一种学习数据与隐编码之间联合分布的新方法，其使用对抗式学习的迭代过程逐步精炼联合分布 $p(x, z)$，使每一步更匹配数据分布。GibbsNet在理论与实践中均为两全其美之法。它实现了有向隐变量模型的速度与简洁性，并保证（假设对抗博弈达到虚拟训练准则全局最小）仅用少量采样迭代即可从 $p(x, z)$ 产生样本。它实现了无向隐变量模型的表达力与灵活性，GibbsNet免除了对显式 $p(z)$ 的需要，并能在单一模型中完成属性预测、类条件生成和联合图像-属性建模，而该模型并非为这些特定任务中的任何一个训练。我们从经验上表明GibbsNet能够学习更复杂的 $p(z)$，并展示这带来了改进的修复以及对 $p(x, z)$ 数十步的迭代精炼和数千步无崩溃的稳定生成，尽管仅在少量步上训练。