好吧，让我们从什么是标签平滑开始。我们在一个热编码中替换 0 和 1，例如对于具有 10 个类别的 MNIST 数据集，我们通过平滑值来替换，例如：0.1 表示 1，0.9 表示 9 等。

如果我们将正分类目标替换为$\alpha$和负面目标$\beta$最优判别器$D$变成：

在哪里$p_{data}(x)$对应于原始分布；至少我们认为。和$p_{model}(x)$对应于我们想要定位的分布，并且$x$是判别器的输入特征$D$.

现在，当$\beta \neq 0$, 错误样本来自$p_{model}$没有动力靠近数据，即它加强了当前的生成器行为。因此，我们只对正标签进行平滑处理$\alpha$，将负标签设置为 0。这种行为可以防止鉴别器向生成器提供非常大的梯度信号。