1樓：
文字分類因為輸出是0-1的連續的數，所以還是可以用GANs的，參見https://
arxiv.org/abs/1805.09929
2樓：
有相關工作
NIPS 2018 Adversarial Text Generation via Feature-Mover's Distance
3樓：
因為nlp的資料太過於離散，梯度從判別器傳回到生成器會出現問題。具體細節因為不做nlp不是很懂，可以參考Ian在AAAI2019的演講，後面提問環節也有人問到這個問題
AAAI2019 invited talk，Ian Goodfellow
4樓：Bayminum
在更新生成模型(generator)時，如果按照最初GAN的架構，則需要判別模型(discriminator)來對生成的樣本進行打分，然後生成樣本與判別模型所期待的高質量樣本之間的差距作為loss，反向傳遞給生成模型，以更新生成模型的引數(一般就是神經網路的weights，bias等)，使得generator下一次能夠生成更高質量的樣本，通過這樣的方法迭代之後，generator能夠生成不容易被discriminator判別的樣本。
5樓：
NLP的問題中同構現象不是很常見，而且語義資訊不好表達，上下文的影響也很大，很多high level的語義資訊就更不用說了。。。
6樓：[已重置]
因為一張貓圖如果引入一些噪音，噪點，貓的臉型變了，眼睛顏色不同，毛髮邊緣不均勻。依然不改變你認為這是乙隻貓。
而如果上面這句話，多了幾個錯別字，少了幾個動詞，參入了日語和泰國字，你還能看懂嗎？起碼你會一眼就看出來這不是人寫的。
根本原因是文字這種離散，並且高度抽象的符號串行，不適合GAN這種本質是充滿噪音並且對資料來源做高斯擬合的模型。
7樓：[已重置]
個人感覺問題在於資料本身，語言和影象本來就有區別。如果按照GAN的一般特徵，對乙個分布進行擬合或者配準，那麼對於影象，我們構造D好像相對容易，乙個特定影象域的分布好像還是有規律一些，如果是語言，那麼這個分布好像就比較複雜了，D的構造就不容易。同樣的原因，G來生成影象也相對容易，因為影象的結構化特徵比較明顯，就是用CNN可以較好提取的結構特徵，但是語言的長程相關提取出來就比較難，同樣用GAN生成符合語言的這種長程相關特徵的分布也會相應困難。
有些人只適合做朋友，不適合做戀人，更不適合做夫妻，這句話如何理解呢？
路人Z 這怎麼解釋啊，字面意思不挺清晰的嗎？每個人對於另乙個人的定位都是不一樣的，人生路途遙遠，有些人終究只是過客，三觀不一，性格不一，每個人都有每個人的抉擇標準，沒有對錯之分。 阡陌 我認為有些人只適合做朋友，比如說 1.異性緣不錯的男人，善於言談，善於交際，更容易得人心，但真心對一人未必做得到。...
「我覺得你不適合做銷售」難道我真的不適合做銷售嗎？乙個嘴笨的人適合做銷售行業嗎？
毒公子 哎呀！所有事情！沒有適不適合！只有你想不想做！要的是你想做好的決心，猶豫著想做好，還是半推半就的想做好？還是百分百想做好！還是沒有退路的一定要做好！一定要做好，那就會想盡一切辦法，腦子不停的轉著彎兒也要達到自己想要的結果。就能做好銷售。我做銷售那麼久，感觸最深的就是，不管你是什麼性格？什麼風...
什麼人不適合做科研？
這個問題改為 什麼人適合做科研比較好。因為不適合的原因各有不同，而適合的原因大都相似。這個世界，不適合做科研的人太多了，只有很少數人才能稱的上 適合 做科研。 Whirlwind 經濟條件不夠好的慎重選擇科研這條路。雖然聽起來很勢力，但現實很殘酷。在古代能夠搞科研的幾乎都是有錢人。在現代，高校擴招給...