Uber Engineering近日发表博客称，其研究团队将于下周在NeurIPS 2018的贝叶斯深度学习研讨会上发表新研究成果：利用鉴别器在训练完成后从发生器中挑选更好的样本。该项工作为谷歌和加州大学伯克利分校的研究人员提供了一种非常类似的近期工作的补充抽样方法。该方法和鉴别者拒绝抽样的主要思想是使用来自训练的鉴别器的信息，以便从发生器中选择更接近真实数据分布的样本。通常，鉴别器在训练之后被抛弃，因为训练过程应该将来自鉴别器的所有所需知识编码到发生器中。然而，生成器通常是不完美的，而鉴别器持有有用的信息，因此值得探索如何更有效地采样以改进已经训练过的GAN。Uber使用Metropolis-Hastings算法从该分布中进行采样，并将得到的模型称为Metropolis-Hastings GAN。