GAN 有許多常見的失敗模式，這些常見問題都是在積極研究方面。儘管問題完全沒有解決，但我們提及了使用者嘗試過的一些問題。
漸層漸層
研究建議，如果歧視器產品的準確度過高，發電機訓練可能會因為漸層梯度有誤而失敗。實際上，最佳歧視器提供的資訊並不能讓產生器產生進度。
嘗試救濟措施
- Wasserstein 損失：Wasserstein 損失旨在防止漸進式梯度發生，即使您訓練過向歧視器達到最佳成效。
- 修改的 minimax 損失：原始 GAN 論文已提出修改至 minimax 損失的相關處理，以處理漸層漸層。
收合模式
通常您希望 GAN 產生各種輸出內容。例如，您想要在相片產生器的每個隨機輸入內容中，都換一個不同的臉孔。
不過，如果產生器產生特別可行的輸出，產生器可能會學習「僅」產生該輸出內容。事實上，產生器不斷嘗試尋找看似最容易歧視的輸出。
如果產生器持續產生相同的輸出內容 (或一小組輸出內容)，則判定器的最佳做法是學習如何一律拒絕該輸出內容。但是，如果新一代的轉接器卡住在本機最小值中，卻找不到最佳策略，則對下一代的產生器疊代來說，這種做法顯得不易，因此可以為當前的辨別器找出最合理的輸出內容。
每個疊代的疊代子都會經過最佳化處理，讓特定歧視內容變得過度最佳化，而且歧視器絕對不會管理相關資訊。因此，產生器會旋轉一組小型輸出類型。這種形式的 GAN 失敗稱為「模式收合」。
嘗試救濟措施
下列方法會防止單一最佳化器對單一固定歧視器進行最佳化，以強制發電機擴大範圍：
- Wasserstein 損失：Wasserstein 損失可讓您讓訓練器收到最優異的可視區域，而不必擔心梯度消失。如果歧視器沒有卡在本機小型環境中，則會學會拒絕產生器的穩定模式。因此，發電機必須嘗試新的事物。
- 未復原的 GAN：未復原的 GAN 使用的產生器損失函式，不僅包含目前的歧視內容類別，也包含日後子母畫面版本的輸出內容。因此，生成器無法過度最佳化單一歧視器。
無法收容
如訓練模組中所述，GAN 往往無法融合。
嘗試救濟措施
研究人員會嘗試使用各種形式的正規化來改善 GAN 融合，包括：
- 在歧視輸入端新增雜訊：請參閱「 Toward Principled Methods for Training Gengenative Conversative Networks」。
- 緩解歧視權重：詳情請參閱「透過正規化穩定生成網路對訓練網路的訓練」。