---
title: "模式崩潰（Mode Collapse）"
slug: mode-collapse
language: zh-TW
source: https://aiterms.tw/terms/mode-collapse
updated_at: 2026-06-22
tags: [生成式AI, GAN, 模型訓練, 深度學習]
ipas_term: false
---

# 模式崩潰（Mode Collapse）

GAN 訓練時生成器只輸出少數幾種重複樣本而喪失多樣性的訓練失敗現象。

## 完整說明

模式崩潰（Mode Collapse）是 GAN 訓練中常見的失敗模式，指生成器學會只產出少數能欺騙判別器的固定輸出，而非覆蓋整個真實資料分布，導致生成結果缺乏多樣性。

## 常見問題

### 為什麼模式崩潰在 GAN 中比其他生成模型更常見？

因為 GAN 的訓練本質是對抗賽局，生成器的梯度訊號完全來自判別器的即時反應，而不是對真實資料分布的直接估計。當生成器找到幾個固定輸出能穩定欺騙判別器時，這些輸出就是數學上的局部最優解，生成器沒有強制探索整個分布的動機。相比之下，VAE 透過重建損失直接要求輸出接近輸入，有明確的多樣性壓力；Diffusion Model 的前向/反向過程是對整個資料分布的建模，不存在對抗賽局的退化捷徑。

### 遇到模式崩潰時，實務上應該按什麼順序嘗試解決方案？

建議依照難度由低到高的順序：1）首先嘗試調整學習率，特別是降低生成器的學習率或採用不對稱學習率（生成器慢、判別器快），讓訓練動態更平衡；2）改用 WGAN 或 WGAN-GP（帶梯度懲罰），它提供更穩定的梯度訊號，從理論上緩解崩潰；3）加入 Mini-batch Discrimination，讓判別器能感知批次多樣性；4）調整架構，如增加生成器容量、調整 Batch Normalization 位置；5）若以上都無效，考慮切換到 Diffusion Model 架構，從根本上避免 GAN 的對抗不穩定性問題。

### 模式崩潰和梯度消失有什麼關係？

兩者是 GAN 訓練中相關但不同的問題。梯度消失（Gradient Vanishing）通常發生在判別器訓練得過於完美時：判別器能輕易區分真實與生成樣本，對生成器輸出的 loss 接近飽和（JS 散度的梯度趨近於 0），使生成器幾乎沒有可用的梯度訊號，訓練停滯。而模式崩潰則是相反的情況：生成器找到了幾個能穩定欺騙判別器的輸出，梯度訊號確實存在，但指引方向錯了，引導生成器鎖定在少數模式。WGAN 用 Wasserstein 距離取代 JS 散度，可同時緩解梯度消失和模式崩潰。

---

來源：https://aiterms.tw/terms/mode-collapse
快查頁：https://aiterms.tw/terms/mode-collapse
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-mode-collapse