---
title: "生成分佈（Generated Distribution）"
slug: generated-distribution
language: zh-TW
source: https://aiterms.tw/terms/generated-distribution
updated_at: 2026-07-04
tags: [生成式AI, 模型訓練, 模型評估, 統計方法, source:ipas]
ipas_term: true
---

# 生成分佈（Generated Distribution）

生成分佈是指生成式人工智慧模型在給定隨機噪聲或潛在變數後，所產生的合成資料在特徵空間中呈現的機率分佈。

## 完整說明

生成分佈是一種描述生成模型輸出資料特性的機率分佈模型，能夠反映模型學習訓練資料潛在規律的能力，常見應用包括評估生成對抗網路或擴散模型的生成品質、計算評估分數以及分析模型是否出現模式崩塌現象。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 如何判斷一個生成模型的生成分佈是否發生了模式崩塌？

判斷生成分佈是否發生模式崩塌，主要觀察模型生成的樣本是否缺乏多樣性。如果模型反覆生成極度相似的少數幾種圖像或文本，而忽略了訓練資料中應有的其他特徵變化，這就是典型的模式崩塌現象。在技術評估上，可以透過計算生成樣本特徵在空間中的多樣性指標來量化，或者利用召回率相關的評估演算法來衡量生成分佈對真實資料分佈的覆蓋程度。若覆蓋率過低，即代表發生了模式崩塌。

### 生成分佈與真實資料分佈之間永遠會存在差距嗎？有辦法完全消除嗎？

在實際的高維度複雜應用中，生成分佈與真實資料分佈之間幾乎總會存在一定的差距。這是因為真實世界的資料分佈極其複雜，而模型受限於網路架構的容量上限、有限的訓練資料量以及優化演算法的局部最佳解問題，很難達到完美的數學等價。雖然隨著擴散模型等新架構的發展，這種差距正在不斷縮小，但我們通常的目標是將差距最小化到符合應用需求的程度，而非追求理論上的完全消除。

### 在評估生成分佈品質時，FID 分數的物理意義是什麼？

弗雷歇起始距離分數的核心意義在於，透過一個預先訓練好的特徵萃取網路，將真實圖像與生成圖像轉換到高階特徵空間中，並在該空間假設兩者的特徵均服從常態分佈，進而計算這兩個多變數分佈之間的幾何距離。這項指標廣泛被使用是因為它不僅考量了生成樣本的視覺清晰度，還同時衡量了生成分佈的樣本多樣性。較低的分數代表生成分佈在特徵空間上與真實分佈更為接近，是一個可靠的綜合評估指標。

---

來源：https://aiterms.tw/terms/generated-distribution
快查頁：https://aiterms.tw/terms/generated-distribution
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-generated-distribution