GAN มีโหมดการทํางานล้มเหลวที่พบบ่อยหลายโหมด ปัญหาที่พบได้ทั่วไปเหล่านี้คือ การค้นคว้าวิจัย แม้ว่าปัญหาเหล่านี้จะไม่ได้รับการแก้ไขโดยสิ้นเชิง แต่เราพูดถึงสิ่งที่ผู้คนเคยลองใช้
การไล่สี
การวิจัยชี้ให้เห็นว่าหากเครื่องมือแบ่งแยกคุณภาพดีเกินไป การฝึกโปรแกรมสร้างโปรแกรมอาจไม่สําเร็จเนื่องจากการไล่สีแบบไล่ระดับสี ในความเป็นจริง การเลือกปฏิบัติที่เหมาะสมไม่ได้ให้ข้อมูลเพียงพอสําหรับเครื่องมือสร้างความคืบหน้าหรือไม่
ความพยายามเยียวยา
- การสูญเสีย Wassstein: การสูญเสีย Wasserstein ได้รับการออกแบบมาเพื่อป้องกันการไล่ระดับสีที่สูญหายไป แม้ว่าคุณจะฝึกฝนตัวตรวจสอบเพื่อทําให้มีประสิทธิภาพดีที่สุด
- การสูญเสีย minimax ที่แก้ไข: บทความ GAN เดิมเสนอการแก้ไขการสูญเสีย minimax เพื่อจัดการกับการไล่ระดับสีที่สูญหาย
โหมดยุบ
โดยปกติแล้ว คุณต้องการให้ GAN สร้างเอาต์พุตที่หลากหลาย เช่น คุณต้องการใบหน้าที่แตกต่างกันสําหรับการป้อนข้อมูลแบบสุ่มทุกตัวในโปรแกรมสร้างใบหน้า
อย่างไรก็ตาม หากโปรแกรมสร้างผลงานสร้างผลงานที่เป็นไปได้เป็นพิเศษ โปรแกรมสร้างอาจเรียนรู้วิธีสร้างเอาต์พุตเท่านั้น อันที่จริงแล้ว โปรแกรมสร้างแผนผังเว็บไซต์พยายามค้นหา เอาต์พุต 1 รายการที่มีแนวโน้มมากที่สุดที่จะแบ่งแยกได้
หากโปรแกรมเริ่มผลิตเอาต์พุตเดียวกัน (หรือเอาต์พุตจํานวนไม่มาก) ซ้ําแล้วซ้ําอีก กลยุทธ์ที่แบ่งแยกที่ดีที่สุดคือการเรียนรู้ที่จะปฏิเสธเอาต์พุตนั้นเสมอ แต่หากเป็นการเลือกปฏิบัติครั้งถัดไปที่เจอปัญหาในขั้นต่ําสุดและไม่พบกลยุทธ์ที่ดีที่สุด การดําเนินการสําหรับโปรแกรมสร้างครั้งถัดไปก็ทําให้ค้นหาผลลัพธ์ที่เป็นไปได้มากที่สุดสําหรับการเลือกปฏิบัติในปัจจุบันได้ง่ายๆ
โปรแกรมปรับปรุงซ้ําๆ จะช่วยเพิ่มประสิทธิภาพมากเกินไปสําหรับการเลือกปฏิบัติบางอย่าง ส่วนที่ใช้แบ่งแยกก็ไม่ได้เรียนรู้วิธีศึกษาจากกับดัก ผลที่ได้คือ โปรแกรมสร้างการหมุนเวียนผ่านประเภทเอาต์พุตขนาดเล็ก ข้อผิดพลาด "GAN" รูปแบบนี้เรียกว่าการยุบโหมด
ความพยายามเยียวยา
แนวทางต่อไปนี้พยายามบังคับให้โปรแกรมขยายขอบเขตการทํางานให้กว้างขึ้น โดยป้องกันไม่ให้โปรแกรมเพิ่มประสิทธิภาพสําหรับการเลือกปฏิบัติแบบคงที่รายการเดียว
- แพ้ Wasserstein: การสูญเสีย Wasssteinstein ช่วยลดการยุบโหมดโดยให้คุณฝึกการเลือกปฏิบัติให้เข้ากับประสิทธิภาพสูงสุดโดยไม่ต้องกังวลเกี่ยวกับการไล่ระดับสีที่สูญหาย หากการเลือกปฏิบัติไม่ติดอยู่ใน Minima ภายในเครื่อง เครื่องจะเรียนรู้ที่จะปฏิเสธเอาต์พุตที่โปรแกรมเสถียรเสถียร เพราะโปรแกรมสร้างผลงาน ต้องลองสิ่งใหม่ๆ
- GAN ที่ไม่ทํางาน: GAN ที่ไม่ทํางานจะใช้ฟังก์ชันการสูญเสียโปรแกรม โดยการรวมการแยกประเภทปัจจุบัน รวมถึงการแยกประเภทที่แบ่งออกในอนาคต ดังนั้นโปรแกรมเพิ่มประสิทธิภาพจะเพิ่มประสิทธิภาพมากเกินไปสําหรับการเลือกปฏิบัติแบบเดี่ยวไม่ได้
Conversion ล้มเหลว
GAN ต่างๆ มักจะเข้าไปพร้อมกันไม่ได้ ตามที่ได้กล่าวไว้ในโมดูลเกี่ยวกับการฝึกอบรม
ความพยายามเยียวยา
นักวิจัยได้พยายามใช้รูปแบบมาตรฐานต่างๆ เพื่อปรับปรุงการพูดของ GAN ซึ่งได้แก่
- การเพิ่มเสียงรบกวนในข้อมูลอินพุตการเลือกปฏิบัติ: เช่น วิธีการที่เชื่อมต่อเป็นหลักสําหรับวิธีการฝึกอบรมเครือข่ายการสร้างโฆษณา
- การลงโทษการเลือกน้ําหนักของการเลือกปฏิบัติ: ดูการป้องกันภาพสั่นไหวของเครือข่ายเครือข่ายการสร้างแบบทั่วไปด้วย การปรับให้เป็นมาตรฐาน