前置知识

GAN（生成对抗网络）在semi-supervised learning（半监督学习）上取得了较强的实证成果，但是有两点是我们都没搞明白的：

1. discriminator（判别器）是如何从与generator（生成器）的联合训练中收益的
2. 为什么一个好的classification（分类）效果和一个好的生成器不能同时获得

本质目标

为了更好的寻找能正确分类的low-density boundary（低密度边界）

文中涉及的概念

Few-shot learning

每个类只有很少的可见例子（一般小于10），训练一个模型对其分类。

Zero-shot learning

现有一些可见的例子和一些不可见的例子，使用可见的例子训练模型能够对不可见的例子进行分类。

Generalized zero-shot learning

现有一些可见的例子和一些不可见的例子，使用可见的例子训练模型能够对所有的例子进行分类。

Multi-modal alignment

多模态对齐，寻找不同模态（如图像、文字、语音）中的属性的对应关系，文中主要是指多个VAE中的latent space的属性的对齐。

精准率

模型输出的结果是正确的概率

召回率

模型中原本应该输出的结果是实际输出的概率

混淆矩阵

1. 标题

# 一级标题
## 二级标题