1. 实验设置
数据：训练阶段使用MNIST训练集中的0-4类，测试阶段使用MNIST测试集中所有类，观察分类器在已知类（5139）和未知类（4861）上的结果。
模型：使用AAE模型，含4个子模块：分类器，编码器，解码器，判别器。分类器使用fc，编码器使用cov，解码器使用dcov，判别器分别使用ls（平方损失），sn，snw（w距离下的sn）。AAE的隐变量先验为混合高斯。
损失类型：a）分类损失，b）重构损失，c）先验损失，d）熵正则化。对比模型：（1）a+b+c；（2）a+b+c+d。
结果：使用已知和未知类类熵的总体分布，低值区域，top2的差3个结果来对比；解码器对应增加测试集生成图；判别器增加t-sne低维流形可视化。
2. 结果
500个样本隐变量t-sne可视化，按照训练集标签，训练集嵌入，测试集嵌入：
ls判别器的：
ls.png
sn判别器的：
sn.png
snw判别器的：
snw.png
从隐变量sample的生成图像（ls，sn，snw）：
gen.png
从测试集重构的图像（ls，sn，snw）：
rec.png
熵总体分布（ls，sn，snw）：
all.png
熵低值分布（ls，sn，snw）：
low.png
top2差值分布（ls，sn，snw）：
diff.png
