# Adversarial Supervise Architecture E_Hat = self.generator_aux(Z) H_hat = self.supervisor(E_Hat) Y_fake = self.discriminator(H_hat) self.adversarial_supervised = Model(inputs=Z, outputs=Y_fake, name='AdversarialSupervised') # Adversarial architecture in latent space Y_fake_e = self.discriminator(E_Hat) self.adversarial_embedded = Model(inputs=Z, outputs=Y_fake_e, name='AdversarialEmbedded') 这两种架构的区别

这两种架构的区别在于它们的输入和输出以及所关注的目标。

在对抗监督架构（Adversarial Supervised Architecture）中，首先使用生成器模型 self.generator_aux 将随机噪声输入 Z 转换为生成器的输出 E_Hat。然后，将 E_Hat 输入到监督模型 self.supervisor，得到监督模型的输出 H_hat。接下来，将 H_hat 输入到判别器模型 self.discriminator，得到判别器的输出 Y_fake。整体上，这个架构的目标是通过生成器和监督模型的协同训练，使生成器能够生成逼真的数据样本，并通过判别器对生成的样本进行判别和评估。

而在潜在空间中的对抗架构（Adversarial architecture in latent space）中，同样是将随机噪声输入 Z 经过生成器模型 self.generator_aux 得到生成器的输出 E_Hat。然后，将 E_Hat 输入到判别器模型 self.discriminator，得到判别器的输出 Y_fake_e。整体上，这个架构的目标是通过在潜在空间中对生成器的表示进行判别和评估，从而提高生成器在生成逼真数据样本方面的能力。

因此，这两种架构有不同的输入、输出和目标。对抗监督架构关注于生成器和监督模型的协同训练，以生成逼真的数据样本。而潜在空间中的对抗架构关注于在潜在空间中对生成器的表示进行判别和优化，以提高生成器的生成能力。