GANs在时尚与伦理领域的应用与思考
1. GANs在时尚领域的应用
GANs（生成对抗网络）在时尚领域具有显著的实际应用潜力，主要体现在两个方面：创建新的个性化时尚单品以及对现有单品进行个性化修改。
1.1 创建符合个人偏好的新单品
为了确保生成的图像符合个人的时尚品味，Kang及其同事提出了一种巧妙的方法。他们的出发点是：鉴于其推荐模型会根据个人对现有单品的喜好程度为其打分，那么生成能使这种偏好得分最大化的新单品，就有可能产生符合该人风格和品味的单品。他们借用经济学和选择理论中的术语，将这个过程称为“偏好最大化”。
Kang等人方法的独特之处在于，他们可能生成的单品范围并不局限于训练数据语料库，甚至不局限于整个亚马逊商品目录。借助条件生成对抗网络（CGAN），他们可以对新单品的生成进行几乎无限精细的调整。
然而，他们面临的下一个问题是，要确保CGAN生成器能够生成使个人偏好最大化的时尚单品。因为他们的CGAN仅针对给定类别训练以生成逼真的图像，而非针对特定个人。一种可能的选择是不断生成图像并检查其偏好得分，直到偶然找到得分足够高的图像。但考虑到可生成图像的几乎无限变化，这种方法效率极低且耗时。
相反，Kang团队将此问题转化为一个优化问题，具体来说是约束最大化问题。约束条件是潜在空间的大小，由向量z的大小决定。Kang等人使用标准大小（100维向量），每个数字的范围在[-1, 1]之间。为了使这些值可微分以便用于优化算法，作者将向量z的每个元素设置为双曲正切函数，并随机初始化。
研究人员随后采用了梯度上升法。梯度上升与梯度下降类似，只是不是通过迭代地向最陡下降方向移动来最小化成本函数，而是通过
