Generative adversarial networks (GANs)は、ディープニューラルネットワークのクラスです。 この技術によって、トレーニングデータと同じような新しいサンプルを生成することを学ぶことができます。 GANは、それぞれgenerator（G）とdiscriminator（D）と呼ばれる2つのサブニューラルネットワークから構成されています。 generatorはランダムノイズを入力として受け取り、信頼性の高いサンプルを生成しようとします。 一方、discriminatorは、generatorとトレーニングデータの両方からサンプルを受け取り、これらの2つのソースを区別する必要があります。 GANへの期待は高いものの、「モデル崩壊」を改善する必要があるという問題があります。 本研究では、新しい標本の生成方法を学習するだけでなく、潜在入力と訓練データとの対応関係を決定する、潜在的空間を理解可能なネットワークSelf-excited Generative Adversarial Network（SelfExGEN）を提案します。 さらに、SelfExGANは学習された対応を使用してGを誘導し、異なる潜在入力を与えられた準同型サンプルを生成することができます。 SelfExGANは、訓練データの生成、人工的なデザイン、超解像度に特に適用されています。

This paper describes a latent space understandable network: Self- excited Generative Adversarial Network (Self- ExGAN), a novel self- excited structure based on adversarial learning. Compared with the conventional generative adversarial networks, SelfExGAN consists of three components, which are en- coder (E), generator (G), and discriminator (D). Different from other papers which directly apply reconstruction loss between encoder and generator, SelfExGAN introduces Nash equilibrium between these three parts in order to discover the correspondence between latent inputs and training data spontaneously. The most attractive point of SelfExGAN is that it can use the learned correspondence to guide G to generate homomorphic samples given different latent inputs in an unsupervised learning manner. We demonstrate the learning ability of SelfExGAN on MNIST, celebA, and SVHN datasets. Our code is available on https://github.com/LiamLYJ/SelfexGAN.