生成与分布匹配
生成模型学习数据的分布，并能从中生成新样本。本库把几族放在一起讲：GAN / WGAN、VAE、WAE、AAE，以及 EVIA 这一熵正则最优传输自编码器，还有自监督学习 —— 它们正是把缺失楔形修复做成生成问题的工具箱。
本库文章 6 篇
生成对抗网络与 WGAN
让生成器对抗判别器进行训练，并以 Wasserstein 距离判别器取代分类器以获得稳定梯度。
变分自编码器 VAE
一种隐变量生成模型，通过最大化数据似然的变分下界进行训练，配以摊销编码器与重参数化技巧。
Wasserstein 自编码器 WAE
由最优传输视角导出的自编码器，以 MMD 或对抗惩罚匹配聚合后验与先验，而非逐样本 KL。
对抗自编码器 AAE
用对抗判别器（而非 KL 惩罚）把聚合后验匹配到先验的自编码器，介于 GAN 与自编码器之间。
熵变分推断自编码 EVIA
用熵正则最优传输匹配聚合后验，得到玻尔兹曼后验与软重心编码器 —— WAE 的随机化推广
自监督学习
通过从数据自身构造监督信号，在无标注的情况下学习表示并求解逆问题。