我在网上搜索关于反转前馈神经网络的论文，发现有用于反转它们的自然语言处理（NLP）和线性规划（LP）算法。但大多数论文关注的是接收一对多的反向映射。我对这类问题感到好奇：

假设我有一个函数 z=x+y，我会教我的前馈神经网络（FFNN）来近似这个函数。一旦它学会了，我想以 x 和 z 作为输入，并希望得到 y 作为输出。所以这不完全是一对多的映射，但与仅有 z 并希望计算 x 和 y 的问题相比，是否更容易一些？有没有执行此类任务的算法？

回答：

据我所知，逆转网络的方法通常是敌对方法（GANs），或者通过优化网络的输出来实现（比如优化 |f(x, y’) – z|，其中 y’ 是你问题中的输出）。第一种方法更为流行。

让我们更多地讨论第一种方法，我们称你训练的学习 x + y = z 的网络为 D。你需要训练另一个网络（我们称之为 G）来接收 x 和 z 并生成 y，然后 D 检查这是否是正确的答案（即是否 x + y = z），我们继续这个过程，直到 G 学会满足 D（我省略了一些细节，你可以通过研究 GANs 了解更多）。然而，这更像是重新表述我们的问题。

如果你熟悉神经网络的工作原理，你会知道通过确定其期望输出和部分输入来训练网络是很困难的，因为我们无法使用反向传播。

最后，你可能想查看这篇论文。虽然技术细节不多，但它提出的正是你所问的：https://openreview.net/forum?id=BJxMQbQ3wm