我从一些来源听说生成对抗网络是无监督的机器学习，但我对此感到困惑。生成对抗网络难道不是有监督的吗？

1) 两类情况：真对假

的确，我们需要向判别器提供训练数据，这些数据必须是“真实”的数据，意味着我会用例如1来标记这些数据。尽管我们没有明确地标记数据，但通过在初始步骤中向判别器展示训练数据，并告诉判别器这些是真实的数据，我们实际上是在隐式地标记这些训练数据。反之亦然，生成器在初始步骤生成的噪声数据也被标记为非真实的。

2) 多类情况

但在多类情况下，情况变得更加奇怪。我们需要在训练数据中提供描述。明显的矛盾在于，我们为一个无监督的机器学习算法提供了响应。

回答：

GANs是使用监督损失作为训练一部分的无监督学习算法。这似乎是你感到困惑的地方。

当我们谈论有监督学习时，通常是在谈论学习预测与数据相关的标签。其目标是让模型能够泛化到新数据上。

在GAN的情况下，这些要素都不存在。数据没有标签，我们也不是在试图将任何类型的预测泛化到新数据上。GAN的目标是模拟数据的外观（即密度估计），并能够生成它所学到的新示例。

GAN通过设置一个有监督的学习问题来进行无监督学习，生成看起来是假的/随机的数据，并试图确定一个样本是生成的假数据还是真实数据。这是有一个监督的成分，没错。但这并不是GAN的目标，而且标签是微不足道的。

使用监督成分来执行无监督任务的想法并不新鲜。随机森林长期以来一直这样做，用于异常检测（同样是在随机数据与真实数据上训练），而用于异常检测的一类SVM在技术上是以有监督的方式训练的，原始数据被视为真实类，而空间原点上的一个点（即零向量）被视为异常类。