ALI相较于GAN有哪些优势？

参考文献：Adversarially Learned Inference，（2017.2），作者：Vincent Dumoulin（MILA, Université de Montréal）
原文：https://ishmaelbelghazi.github.io/ALI/

生成模型主要可分为三类：（1）变分自编码器（VAE），（2）生成对抗网络（GAN），（3）自回归方法（此方法尚未进行系统学习）。这三种模型各自具备一定的优势与局限性：
1、VAE，通过VAE训练得到的图像样本通常存在模糊现象，即生成的图像清晰度较低；
2、GAN，基于GAN的方法在性能上具有良好的平衡性：其能够学习到一个生成模型，该模型所生成的样本质量优于最佳VAE技术，并且不会影响采样速度，同时还能在生成过程中利用潜在表示。然而，GAN缺乏高效的推断机制，这阻碍了其在抽象层面进行数据推理的能力；
3、自回归方法据文中描述具有较好的生成效果，但计算资源消耗较大且处理速度较慢。

ALI（Adversarially Learned Inference，对抗性推断学习）模型旨在将VAE与GAN相结合，在保持高效运行的同时实现高质量的图像生成，并具备有效的推断能力。
此处提到的“有效推断”具体指什么？即当给定输入x（数据集中的一个样本）时，能够推导出对应的隐变量z，并由此获得