本案例依原書 3.4.1 GAN 與 Table 3.1 整理。
理解 Generative Adversarial Network（GAN）的 Generator／Discriminator 機制、Variants、Strengths 與 Limits。
GAN 由 Generator 產生 Synthetic Sample，Discriminator 判別 Real／Generated；反覆競爭後提升生成品質。
| 面向 | 原書內容 | 用途／限制 |
|---|---|---|
| Generator | 產生 Synthetic Data | 逼近 Real Sample |
| Discriminator | 判斷 Real vs. Generated | 提供對抗式回饋 |
| DCGAN | Convolutional Architecture | 改善 Image Quality／Stability |
| CycleGAN | Unpaired Image-to-image Translation | 不需 Paired Image |
| StyleGAN | Style-based Control | Fine-grained Image Manipulation |
| Table 3.1 | Strengths: High-quality Image、Fast Inference | Limitations: Training Instability、Mode Collapse |
Excel 可追蹤 Generator／Discriminator Loss、Variant、Use Case、Failure Mode；AI 可協助分類，但不能把 Training Stability 當成所有 GAN 的固定數值。
本章沒有提供 GAN 固定 Accuracy／Loss Benchmark。
GAN 強項是高品質影像與快速推論，但 Training Instability 與 Mode Collapse 是模型選擇時的重要限制。
請比較 GAN、DCGAN、CycleGAN、StyleGAN 的核心差異，並將用途與限制分開列出；不要補未提供的性能百分比。