Adding Lab 4.

2026-09-12 14:53:06 -06:00
parent 8ee80a6a40
commit ca14164f12
27 changed files with 1948 additions and 0 deletions
@@ -0,0 +1,336 @@
+\documentclass[11pt,letterpaper]{article}
+
+\usepackage[T1]{fontenc}
+\usepackage[utf8]{inputenc}
+\usepackage{lmodern}
+\usepackage[margin=2.5cm]{geometry}
+\usepackage{amsmath,amssymb}
+\usepackage{booktabs}
+\usepackage{graphicx}
+\usepackage{xcolor}
+\usepackage{enumitem}
+\usepackage{float}
+\usepackage[hidelinks]{hyperref}
+\usepackage[strings]{underscore}
+
+\graphicspath{{outputs/gan_mode_collapse/}}
+\setlength{\parindent}{0pt}
+\setlength{\parskip}{0.6em}
+\setlist[enumerate]{leftmargin=*,itemsep=0.8em}
+
+\newcommand{\answerbox}[1]{%
+  \par\noindent\textcolor{gray}{\rule{\linewidth}{0.4pt}}%
+  \vspace{#1}\par\noindent\textcolor{gray}{\rule{\linewidth}{0.4pt}}%
+}
+
+\newcommand{\answer}[1]{\par\noindent\textbf{Respuesta:} #1}
+
+\newcommand{\resultfigure}[2]{%
+  \begin{figure}[H]
+    \centering
+    \IfFileExists{outputs/gan_mode_collapse/#1}{%
+      \includegraphics[width=0.96\linewidth,height=0.55\textheight,keepaspectratio]{#1}%
+    }{%
+      \fbox{\parbox[c][4cm][c]{0.88\linewidth}{\centering
+      Ejecute el notebook para generar \texttt{\detokenize{#1}}.}}%
+    }
+    \caption{#2}
+  \end{figure}
+}
+
+\title{Informe de laboratorio\\Recuperación del colapso de modos en una GAN}
+\author{Estudiante: Alejandro Lembke Barrientos}
+\date{Carné: 12002840\hfill Fecha: 12 de septiembre de 2026}
+
+\begin{document}
+\maketitle
+
+\section{Propósito e hipótesis}
+
+Todos los experimentos de recuperación parten del mismo punto de control con
+colapso de modos. La variable independiente es el peso de la pérdida de
+diversidad $\lambda_{\mathrm{div}}\in\{0,0.1,0.5,1.0\}$. La función objetivo del
+generador es
+\[
+  \mathcal{L}_G
+  =\mathcal{L}_{\mathrm{adv}}
+  +\lambda_{\mathrm{div}}\mathcal{L}_{\mathrm{div}},
+  \qquad
+  \mathcal{L}_{\mathrm{div}}
+  =-\mathbb{E}\!\left[
+    \frac{\lVert G(z_1)-G(z_2)\rVert_1}
+         {\lVert z_1-z_2\rVert_1+\epsilon}
+  \right].
+\]
+
+\begin{enumerate}
+  \item Antes de observar los resultados, ¿qué valor de
+  $\lambda_{\mathrm{div}}$ esperaba que funcionara mejor? Explique el beneficio
+  esperado y un posible riesgo.
+\end{enumerate}
+\answer{Antes de examinar los resultados, se esperaría que $\lambda_{\mathrm{div}}=0.5$
+ofreciera el mejor equilibrio: suficiente para inducir diversidad entre salidas del
+generador sin ser tan agresivo como $\lambda_{\mathrm{div}}=1.0$, que podría penalizar
+en exceso la similitud entre salidas y sacrificar realismo. El riesgo esperado era que
+un $\lambda_{\mathrm{div}}$ demasiado alto empujara al generador a maximizar la
+distancia píxel a píxel mediante ruido o distorsiones en lugar de generar dígitos
+genuinamente distintos --- riesgo que, como se detalla más adelante, efectivamente se
+materializó, y que además se combinó con una falla mucho más profunda del
+entrenamiento adversarial de base.}
+
+\section{Diagnóstico del punto de control colapsado}
+
+\resultfigure{collapsed_samples.png}{Muestras del punto de control común con colapso de modos.}
+\resultfigure{collapsed_class_distribution.png}{Distribución de dígitos predicha por el clasificador en el punto colapsado.}
+
+\begin{enumerate}[resume]
+  \item ¿Qué evidencia visual sugiere colapso de modos? Distinga entre clases
+  ausentes y apariencias repetidas dentro de una clase representada.
+\end{enumerate}
+\answer{La evidencia más contundente no es solo el colapso de clases sino que las 64
+muestras mostradas en \texttt{collapsed\_samples.png} son, en su totalidad, ruido
+granulado de alta frecuencia sin ninguna forma de dígito reconocible: no hay trazos,
+curvas ni contornos identificables como escritura a mano en ninguna de ellas. Desde la
+perspectiva del clasificador, \texttt{collapsed\_class\_distribution.png} muestra que el
+100\% de la masa se concentra en un único dígito predicho ("8"), es decir, colapso
+total de clases. Pero además la impresión de diagnóstico del propio notebook confirma
+\texttt{mass on [1, 7]=0.000}: el generador ni siquiera colapsó hacia los dígitos 1 y 7
+que se pretendía inducir. Aquí no se trata de "una clase repetida con variaciones": es
+que ninguna clase real está representada, y la aparente uniformidad visual entre
+muestras es simplemente ruido de textura similar, no repetición de un dígito legítimo.}
+
+\begin{enumerate}[resume]
+  \item Utilice el número de modos y la entropía normalizada para describir el
+  colapso entre clases. ¿Qué información aporta cada medida?
+\end{enumerate}
+\answer{El número de modos (1/10) confirma que solo una clase supera el umbral de
+frecuencia del 1\%: un colapso binario, todo-o-nada, hacia una sola clase predicha. La
+entropía normalizada (0.010, en una escala de 0 a 1 donde 0 significa que toda la masa
+recae en una sola clase y 1 significa una distribución perfectamente uniforme entre las
+10 clases) cuantifica qué tan extrema es esa concentración: un valor tan cercano a 0
+indica una distribución prácticamente degenerada, no solo "dominada" por una clase sino
+casi puntual en ella. El conteo de modos aporta una lectura binaria y fácil de
+interpretar (¿cuántas clases "cuentan"?), mientras que la entropía aporta la forma
+completa de la distribución, incluso entre las clases que sí superan el umbral;
+juntas confirman un colapso extremo y no solo parcial.}
+
+\begin{enumerate}[resume]
+  \item ¿Las muestras mostradas permiten identificar confiablemente el colapso
+  dentro de cada clase? Explique qué evidencia adicional se necesita.
+\end{enumerate}
+\answer{No de forma confiable. Como ninguna de las 64 muestras colapsadas se asemeja a
+un dígito real, no existe una forma legítima de "8" (o de cualquier otro dígito) contra
+la cual comparar variedad interna; no se puede evaluar colapso \emph{dentro} de una
+clase que en realidad nunca se materializó visualmente. Además, la confianza del
+clasificador (0.981) es engañosa: el clasificador se entrenó únicamente con dígitos
+reales de MNIST y nunca vio ejemplos de ruido no estructurado, por lo que puede emitir
+predicciones muy seguras sobre entradas fuera de distribución sin que eso refleje
+ninguna semántica real. La evidencia adicional necesaria es exactamente la que se usó
+aquí para diagnosticar el problema real: inspección visual directa de las muestras, y
+las curvas de pérdida del discriminador durante el preentrenamiento (que muestran
+$D\approx0.000$ desde la época 5 de 16, evidenciando que el discriminador saturó y el
+generador dejó de recibir señal de gradiente útil mucho antes de llegar a la fase de
+colapso dirigido).}
+
+\section{Resultados de recuperación}
+
+\IfFileExists{outputs/gan_mode_collapse/summary_table.tex}{%
+  \begin{table}[H]
+    \centering
+    \small
+    \resizebox{\linewidth}{!}{\input{outputs/gan_mode_collapse/summary_table.tex}}
+    \caption{Resultados cuantitativos generados por el notebook.}
+  \end{table}
+}{%
+  \begin{center}
+    \fbox{\parbox[c][2.2cm][c]{0.88\linewidth}{\centering
+    Ejecute el notebook para generar
+    \texttt{outputs/gan\_mode\_collapse/summary\_table.tex}.}}
+  \end{center}
+}
+
+\resultfigure{recovery_samples.png}{Muestras del punto colapsado y de todas las configuraciones de recuperación.}
+\resultfigure{class_distributions.png}{Distribuciones de clases predichas; la línea discontinua indica el umbral de modo.}
+\resultfigure{recovery_metrics.png}{Comparación cuantitativa de las configuraciones de recuperación.}
+
+\begin{enumerate}[resume]
+  \item ¿Qué configuraciones recuperan el mayor número de clases? ¿Un número
+  alto de modos implica necesariamente una distribución equilibrada? Utilice
+  la entropía como evidencia.
+\end{enumerate}
+\answer{$\lambda_{\mathrm{div}}=0.1$, $0.5$ y $1.0$ recuperan 2/10 modos cada uno
+(frente a 1/10 en "Collapsed start" y en $\lambda_{\mathrm{div}}=0$), pero un número
+más alto de modos no implica una distribución equilibrada: incluso con 2 modos, la
+entropía normalizada máxima observada es apenas 0.058 ($\lambda_{\mathrm{div}}=0.1$),
+muy lejos de 1.0 (uniforme). En \texttt{class\_distributions.png} se ve que la clase
+dominante ("8") sigue concentrando más del 95\% de la masa en las tres configuraciones
+con 2 modos, y la segunda "moda" detectada corresponde al dígito "2" --- ni siquiera a
+las clases objetivo (1 o 7) --- y apenas supera el umbral del 1\%. El conteo de modos
+por sí solo sugiere una mejora que la entropía matiza fuertemente: la distribución
+sigue siendo extremadamente desequilibrada en las cuatro configuraciones.}
+
+\begin{enumerate}[resume]
+  \item Compare la confianza del clasificador. Identifique cualquier compromiso
+  aparente entre diversidad y calidad.
+\end{enumerate}
+\answer{La confianza del clasificador baja de forma monótona al subir
+$\lambda_{\mathrm{div}}$: 0.981 (colapsado) $\to$ 0.954 ($\lambda=0$) $\to$ 0.933
+($\lambda=0.1$) $\to$ 0.925 ($\lambda=0.5$) $\to$ 0.909 ($\lambda=1.0$). A primera
+vista esto parece el compromiso esperado "más diversidad, menos confianza/calidad".
+Sin embargo, dado que ninguna configuración produce imágenes reconocibles como
+dígitos (Pregunta 2), esta caída no debe interpretarse como una pérdida real de
+fidelidad visual respecto a un buen generador: es simplemente la reacción del
+clasificador a texturas de ruido ligeramente distintas entre configuraciones, no un
+verdadero compromiso diversidad-calidad sobre dígitos válidos.}
+
+\begin{enumerate}[resume]
+  \item Compare la diversidad de características con la diversidad dentro de
+  cada clase. ¿Qué configuraciones mejoran ambas medidas y cuáles mejoran
+  principalmente una?
+\end{enumerate}
+\answer{Ambas métricas crecen de forma monótona con $\lambda_{\mathrm{div}}$:
+diversidad de características 16.117 $\to$ 16.436 $\to$ 16.687 $\to$ 17.057 $\to$
+17.288, y diversidad intra-clase 11.458 $\to$ 11.539 $\to$ 11.854 $\to$ 12.603 $\to$
+13.533 (de "Collapsed start" a $\lambda_{\mathrm{div}}=1.0$). No hay una configuración
+que mejore una medida sin la otra --- $\lambda_{\mathrm{div}}=1.0$ maximiza ambas
+simultáneamente --- pero, como se discute en la Pregunta 8, este incremento conjunto
+corresponde a generar ruido cada vez más variado, no dígitos genuinamente más
+diversos.}
+
+\begin{enumerate}[resume]
+  \item Examine las muestras. ¿La mayor diversidad representa variaciones
+  significativas o solamente ruido, distorsiones o dígitos ambiguos? Describa
+  dos ejemplos concretos.
+\end{enumerate}
+\answer{Claramente lo segundo. En \texttt{recovery\_samples.png}, la fila "Collapsed
+start" y la fila $\lambda_{\mathrm{div}}=0$ muestran una textura de ruido fino de alta
+frecuencia, prácticamente indistinguible entre columnas (ejemplo 1: cualquiera de las
+primeras columnas de esas dos filas). En las filas $\lambda_{\mathrm{div}}=0.5$ y
+$\lambda_{\mathrm{div}}=1.0$ aparecen algunas manchas de menor frecuencia con un lazo
+curvo central, un poco más "gruesas" y menos granuladas que el ruido base (ejemplo 2:
+varias columnas de la fila $\lambda_{\mathrm{div}}=1.0$ muestran una forma circular
+difusa parecida a un garabato), pero ninguna de estas formas constituye un dígito
+reconocible; se trata de ruido de baja frecuencia en vez de ruido de alta frecuencia,
+no una diversidad semántica real entre dígitos.}
+
+\section{Comportamiento durante el entrenamiento}
+
+\resultfigure{recovery_training.png}{Pérdidas del generador y discriminador durante la recuperación.}
+
+\begin{enumerate}[resume]
+  \item ¿Por qué las pérdidas totales del generador para distintos valores de
+  $\lambda_{\mathrm{div}}$ no deben compararse como si midieran exactamente la
+  misma función objetivo?
+\end{enumerate}
+\answer{Porque $\mathcal{L}_G=\mathcal{L}_{\mathrm{adv}}+\lambda_{\mathrm{div}}
+\mathcal{L}_{\mathrm{div}}$ combina dos términos con escalas y objetivos distintos,
+ponderados por un $\lambda_{\mathrm{div}}$ diferente en cada configuración. Por
+construcción, un $\lambda_{\mathrm{div}}$ mayor añade una contribución adicional del
+término de diversidad, de modo que dos configuraciones con distinto
+$\lambda_{\mathrm{div}}$ no están minimizando la misma función. Comparar sus valores
+totales sin separar los componentes adversarial y de diversidad --tal como se ve en
+\texttt{recovery\_training.png}, donde $\lambda_{\mathrm{div}}=1.0$ muestra
+sistemáticamente el objetivo total más alto-- puede sugerir falsamente que ese modelo
+"entrena peor", cuando en realidad solo está pagando un término adicional que los
+demás no tienen en la misma magnitud.}
+
+\begin{enumerate}[resume]
+  \item ¿Las curvas de pérdida demuestran por sí solas que se resolvió el
+  colapso de modos? Justifique utilizando los demás resultados.
+\end{enumerate}
+\answer{No. Las curvas muestran que la pérdida del discriminador se mantiene
+extremadamente baja (del orden de $10^{-5}$) durante toda la recuperación en las
+cuatro configuraciones, y que la pérdida del generador tiende a subir con las épocas
+--comportamiento consistente con un discriminador que domina por completo y un
+generador que no recibe gradiente útil. Esto concuerda con la evidencia visual (las
+salidas siguen siendo ruido, Pregunta 8) y con las métricas de cobertura (máximo 2/10
+modos, Pregunta 5). Si solo se miraran las curvas de pérdida, sin las imágenes
+generadas ni las métricas de cobertura, se podría malinterpretar la caída suave y
+monótona de la pérdida del discriminador como "entrenamiento estable", cuando en
+realidad refleja que el generador quedó atrapado en un mínimo degenerado desde el
+preentrenamiento inicial y nunca se recuperó.}
+
+\section{Decisión y limitaciones}
+
+\begin{enumerate}[resume]
+  \item Seleccione un valor de $\lambda_{\mathrm{div}}$. Defienda la elección
+  con al menos dos resultados cuantitativos y dos observaciones visuales.
+\end{enumerate}
+\answer{Se recomienda $\lambda_{\mathrm{div}}=0.1$ dentro de las cuatro
+configuraciones evaluadas, con la salvedad explícita de que ninguna resolvió el
+colapso de modos de forma satisfactoria (ver limitaciones más abajo). Evidencia
+cuantitativa: (1) $\lambda_{\mathrm{div}}=0.1$ logra la entropía normalizada más alta
+de las cuatro configuraciones recuperadas (0.058, frente a 0.021 en $\lambda=0$, 0.053
+en $\lambda=0.5$ y 0.047 en $\lambda=1.0$); (2) mantiene la segunda confianza de
+clasificador más alta entre las configuraciones con diversidad activa (0.933, solo por
+detrás de $\lambda=0$ con 0.954, y por encima de 0.925 y 0.909 de $\lambda=0.5/1.0$).
+Evidencia visual: (3) en \texttt{recovery\_samples.png}, la fila $\lambda=0.1$
+conserva una textura similar a la del punto de partida colapsado, sin las manchas de
+baja frecuencia más pronunciadas visibles en las filas $\lambda=0.5$ y $\lambda=1.0$;
+(4) alcanza el mismo conteo de modos (2/10) que $\lambda=0.5$ y $\lambda=1.0$, por lo
+que no hay evidencia de que forzar más diversidad aporte cobertura adicional de
+clases, solo más textura de ruido.}
+
+\begin{enumerate}[resume]
+  \item Si la fidelidad de las imágenes fuera más importante que la cobertura
+  de clases, ¿cambiaría su elección? Justifique.
+\end{enumerate}
+\answer{Sí, cambiaría a $\lambda_{\mathrm{div}}=0$, que conserva la mayor confianza
+del clasificador (0.954) y la menor diversidad de características añadida respecto al
+punto de partida. En este experimento ningún valor de $\lambda_{\mathrm{div}}>0$ logra
+fidelidad visual aceptable (todas las salidas siguen siendo ruido no estructurado), y
+el único "beneficio" medible de subirlo es una cobertura de clases apenas mayor (2 vs.
+1 modos) que ni siquiera corresponde a los dígitos objetivo (1 y 7). Si la prioridad
+fuera evitar cualquier degradación adicional mientras se corrige el problema real (la
+divergencia del entrenamiento adversarial), $\lambda_{\mathrm{div}}=0$ sería el punto
+de partida más conservador para reentrenar con otros ajustes.}
+
+\begin{enumerate}[resume]
+  \item Indique una limitación de utilizar un clasificador de MNIST para medir
+  la cobertura de la GAN y una limitación del diseño experimental.
+\end{enumerate}
+\answer{\emph{Clasificador:} se entrenó únicamente con dígitos reales de MNIST y nunca
+vio ejemplos fuera de esa distribución; frente a entradas de ruido no estructurado
+(como las de este experimento) puede emitir predicciones con alta confianza (hasta
+0.981) que no reflejan ninguna semántica real de dígito, por lo que las métricas de
+"modos" y "entropía" derivadas de sus predicciones pueden ser completamente engañosas
+cuando el generador no produce imágenes válidas, como ocurrió aquí. \emph{Diseño
+experimental:} las cuatro configuraciones de recuperación parten todas del mismo punto
+de control ya deteriorado (\texttt{mass on [1,7]=0.000}, discriminador saturado desde
+la época 5 de 16 del preentrenamiento) y solo se entrenan 5 épocas adicionales; este
+diseño no permite distinguir si $\lambda_{\mathrm{div}}$ es insuficiente o si el punto
+de partida está tan degradado que ningún valor de $\lambda_{\mathrm{div}}$ en ese rango
+podría recuperarlo en tan pocas épocas.}
+
+\begin{enumerate}[resume]
+  \item Proponga un experimento posterior que fortalezca o cuestione su
+  conclusión. Indique la variable que modificaría y la evidencia que recopilaría.
+\end{enumerate}
+\answer{Se propone repetir la fase de preentrenamiento con técnicas de estabilización
+(por ejemplo, suavizado de etiquetas para el discriminador, penalización de gradiente,
+o una tasa de aprendizaje/capacidad relativa menor para el discriminador) para evitar
+que este domine desde la época 5, verificando mediante la pérdida del discriminador
+(que debería mantenerse por encima de un piso razonable, no en 0.000) y mediante
+inspección visual de \texttt{collapsed\_samples.png} que el punto de control de
+partida realmente produzca dígitos reconocibles concentrados en las clases 1 y 7 antes
+de aplicar el experimento de recuperación con $\lambda_{\mathrm{div}}$. Si, una vez
+logrado un colapso "limpio" y visualmente legible, $\lambda_{\mathrm{div}}=0.1$ sigue
+mostrando la mejor entropía sin sacrificar tanta confianza como valores mayores, esto
+confirmaría la conclusión actual; si en cambio valores más altos de
+$\lambda_{\mathrm{div}}$ logran recuperar clases adicionales reconocibles una vez
+resuelto el problema de fondo, la conclusión debería revisarse.}
+
+\section*{Recomendación final}
+
+Valor recomendado: $\lambda_{\mathrm{div}}=0.1$
+
+Conclusión en una oración:
+\answer{Dentro de las cuatro configuraciones evaluadas, $\lambda_{\mathrm{div}}=0.1$
+ofrece el mejor equilibrio relativo entre cobertura de clases (mayor entropía) y
+confianza del clasificador, pero ninguna resolvió el colapso de modos real, ya que el
+generador quedó atrapado en un régimen de ruido no estructurado desde el
+preentrenamiento inicial (discriminador saturado), por lo que se recomienda corregir
+ese problema de entrenamiento antes de repetir la comparación de
+$\lambda_{\mathrm{div}}$.}
+
+\end{document}
@@ -0,0 +1,192 @@
+\documentclass[11pt,letterpaper]{article}
+
+\usepackage[T1]{fontenc}
+\usepackage[utf8]{inputenc}
+\usepackage{lmodern}
+\usepackage[margin=2.5cm]{geometry}
+\usepackage{amsmath,amssymb}
+\usepackage{booktabs}
+\usepackage{graphicx}
+\usepackage{xcolor}
+\usepackage{enumitem}
+\usepackage{float}
+\usepackage[hidelinks]{hyperref}
+\usepackage[strings]{underscore}
+
+\graphicspath{{outputs/gan_mode_collapse/}}
+\setlength{\parindent}{0pt}
+\setlength{\parskip}{0.6em}
+\setlist[enumerate]{leftmargin=*,itemsep=0.8em}
+
+\newcommand{\answerbox}[1]{%
+  \par\noindent\textcolor{gray}{\rule{\linewidth}{0.4pt}}%
+  \vspace{#1}\par\noindent\textcolor{gray}{\rule{\linewidth}{0.4pt}}%
+}
+
+\newcommand{\resultfigure}[2]{%
+  \begin{figure}[H]
+    \centering
+    \IfFileExists{outputs/gan_mode_collapse/#1}{%
+      \includegraphics[width=0.96\linewidth,height=0.55\textheight,keepaspectratio]{#1}%
+    }{%
+      \fbox{\parbox[c][4cm][c]{0.88\linewidth}{\centering
+      Ejecute el notebook para generar \texttt{\detokenize{#1}}.}}%
+    }
+    \caption{#2}
+  \end{figure}
+}
+
+\title{Informe de laboratorio\\Recuperación del colapso de modos en una GAN}
+\author{Estudiante: \rule{8cm}{0.4pt}}
+\date{Carné: \rule{4cm}{0.4pt}\hfill Fecha: \rule{3cm}{0.4pt}}
+
+\begin{document}
+\maketitle
+
+\section{Propósito e hipótesis}
+
+Todos los experimentos de recuperación parten del mismo punto de control con
+colapso de modos. La variable independiente es el peso de la pérdida de
+diversidad $\lambda_{\mathrm{div}}\in\{0,0.1,0.5,1.0\}$. La función objetivo del
+generador es
+\[
+  \mathcal{L}_G
+  =\mathcal{L}_{\mathrm{adv}}
+  +\lambda_{\mathrm{div}}\mathcal{L}_{\mathrm{div}},
+  \qquad
+  \mathcal{L}_{\mathrm{div}}
+  =-\mathbb{E}\!\left[
+    \frac{\lVert G(z_1)-G(z_2)\rVert_1}
+         {\lVert z_1-z_2\rVert_1+\epsilon}
+  \right].
+\]
+
+\begin{enumerate}
+  \item Antes de observar los resultados, ¿qué valor de
+  $\lambda_{\mathrm{div}}$ esperaba que funcionara mejor? Explique el beneficio
+  esperado y un posible riesgo.
+\end{enumerate}
+\answerbox{2.2cm}
+
+\section{Diagnóstico del punto de control colapsado}
+
+\resultfigure{collapsed_samples.png}{Muestras del punto de control común con colapso de modos.}
+\resultfigure{collapsed_class_distribution.png}{Distribución de dígitos predicha por el clasificador en el punto colapsado.}
+
+\begin{enumerate}[resume]
+  \item ¿Qué evidencia visual sugiere colapso de modos? Distinga entre clases
+  ausentes y apariencias repetidas dentro de una clase representada.
+\end{enumerate}
+\answerbox{2.5cm}
+
+\begin{enumerate}[resume]
+  \item Utilice el número de modos y la entropía normalizada para describir el
+  colapso entre clases. ¿Qué información aporta cada medida?
+\end{enumerate}
+\answerbox{2.5cm}
+
+\begin{enumerate}[resume]
+  \item ¿Las muestras mostradas permiten identificar confiablemente el colapso
+  dentro de cada clase? Explique qué evidencia adicional se necesita.
+\end{enumerate}
+\answerbox{2.2cm}
+
+\section{Resultados de recuperación}
+
+\IfFileExists{outputs/gan_mode_collapse/summary_table.tex}{%
+  \begin{table}[H]
+    \centering
+    \small
+    \resizebox{\linewidth}{!}{\input{outputs/gan_mode_collapse/summary_table.tex}}
+    \caption{Resultados cuantitativos generados por el notebook.}
+  \end{table}
+}{%
+  \begin{center}
+    \fbox{\parbox[c][2.2cm][c]{0.88\linewidth}{\centering
+    Ejecute el notebook para generar
+    \texttt{outputs/gan\_mode\_collapse/summary\_table.tex}.}}
+  \end{center}
+}
+
+\resultfigure{recovery_samples.png}{Muestras del punto colapsado y de todas las configuraciones de recuperación.}
+\resultfigure{class_distributions.png}{Distribuciones de clases predichas; la línea discontinua indica el umbral de modo.}
+\resultfigure{recovery_metrics.png}{Comparación cuantitativa de las configuraciones de recuperación.}
+
+\begin{enumerate}[resume]
+  \item ¿Qué configuraciones recuperan el mayor número de clases? ¿Un número
+  alto de modos implica necesariamente una distribución equilibrada? Utilice
+  la entropía como evidencia.
+\end{enumerate}
+\answerbox{2.5cm}
+
+\begin{enumerate}[resume]
+  \item Compare la confianza del clasificador. Identifique cualquier compromiso
+  aparente entre diversidad y calidad.
+\end{enumerate}
+\answerbox{2.5cm}
+
+\begin{enumerate}[resume]
+  \item Compare la diversidad de características con la diversidad dentro de
+  cada clase. ¿Qué configuraciones mejoran ambas medidas y cuáles mejoran
+  principalmente una?
+\end{enumerate}
+\answerbox{2.8cm}
+
+\begin{enumerate}[resume]
+  \item Examine las muestras. ¿La mayor diversidad representa variaciones
+  significativas o solamente ruido, distorsiones o dígitos ambiguos? Describa
+  dos ejemplos concretos.
+\end{enumerate}
+\answerbox{3.0cm}
+
+\section{Comportamiento durante el entrenamiento}
+
+\resultfigure{recovery_training.png}{Pérdidas del generador y discriminador durante la recuperación.}
+
+\begin{enumerate}[resume]
+  \item ¿Por qué las pérdidas totales del generador para distintos valores de
+  $\lambda_{\mathrm{div}}$ no deben compararse como si midieran exactamente la
+  misma función objetivo?
+\end{enumerate}
+\answerbox{2.5cm}
+
+\begin{enumerate}[resume]
+  \item ¿Las curvas de pérdida demuestran por sí solas que se resolvió el
+  colapso de modos? Justifique utilizando los demás resultados.
+\end{enumerate}
+\answerbox{2.5cm}
+
+\section{Decisión y limitaciones}
+
+\begin{enumerate}[resume]
+  \item Seleccione un valor de $\lambda_{\mathrm{div}}$. Defienda la elección
+  con al menos dos resultados cuantitativos y dos observaciones visuales.
+\end{enumerate}
+\answerbox{3.4cm}
+
+\begin{enumerate}[resume]
+  \item Si la fidelidad de las imágenes fuera más importante que la cobertura
+  de clases, ¿cambiaría su elección? Justifique.
+\end{enumerate}
+\answerbox{2.4cm}
+
+\begin{enumerate}[resume]
+  \item Indique una limitación de utilizar un clasificador de MNIST para medir
+  la cobertura de la GAN y una limitación del diseño experimental.
+\end{enumerate}
+\answerbox{2.8cm}
+
+\begin{enumerate}[resume]
+  \item Proponga un experimento posterior que fortalezca o cuestione su
+  conclusión. Indique la variable que modificaría y la evidencia que recopilaría.
+\end{enumerate}
+\answerbox{2.8cm}
+
+\section*{Recomendación final}
+
+Valor recomendado: $\lambda_{\mathrm{div}}=\rule{2cm}{0.4pt}$
+
+Conclusión en una oración:
+\answerbox{1.8cm}
+
+\end{document}
@@ -0,0 +1,23 @@
+{
+  "seed": 42,
+  "latent_dim": 32,
+  "diversity_weights": [
+    0.0,
+    0.1,
+    0.5,
+    1.0
+  ],
+  "batch_size": 256,
+  "learning_rate": 0.0002,
+  "classifier_epochs": 10,
+  "pretrain_epochs": 16,
+  "collapse_epochs": 8,
+  "recovery_epochs": 5,
+  "collapse_digits": [
+    1,
+    7
+  ],
+  "mode_frequency_threshold": 0.01,
+  "evaluation_samples": 2500,
+  "device": "cpu"
+}
@@ -0,0 +1,6 @@
+epoch,generator,adversarial,diversity,discriminator
+1,3.902446909713745,3.9426742090861002,-0.4022729824066162,4.2679691879311577e-05
+2,4.145200756327311,4.184955227152506,-0.397544775835673,1.7615805166618278e-05
+3,4.139080067443848,4.17894912923177,-0.3986907406489054,1.4372343609769207e-05
+4,4.3337121688842775,4.373950477091471,-0.40238287711143494,1.139676257832131e-05
+5,4.437606961568196,4.4788080523173015,-0.4120109644730886,9.15210223950756e-06
@@ -0,0 +1,6 @@
+epoch,generator,adversarial,diversity,discriminator
+1,3.9779018229166665,4.181639106241862,-0.4074745655536652,3.138090945431031e-05
+2,4.384994900258382,4.590004500834147,-0.410019177420934,1.108799576322781e-05
+3,4.442870346577962,4.649945588429769,-0.41415047810872396,8.148233926234146e-06
+4,4.501311336263021,4.709003438568115,-0.41538419888814293,6.7271921303472485e-06
+5,4.567720675404867,4.779216910552979,-0.42299244691530863,5.819472274743021e-06
@@ -0,0 +1,6 @@
+epoch,generator,adversarial,diversity,discriminator
+1,3.792231286239624,3.792231286239624,-0.39822079056104026,5.601679666045432e-05
+2,3.7167933046976724,3.7167933046976724,-0.38705200486183167,2.9127169354857565e-05
+3,3.774656072998047,3.774656072998047,-0.3904325690587362,2.4593643052503468e-05
+4,4.0028360649108885,4.0028360649108885,-0.39604260533650715,1.812106814662305e-05
+5,4.161207312520345,4.161207312520345,-0.404033615175883,1.4115302633338919e-05
@@ -0,0 +1,6 @@
+epoch,generator,adversarial,diversity,discriminator
+1,4.073459280141194,4.48742034072876,-0.4139610550562541,2.2277594858314842e-05
+2,4.556306339263916,4.980417476145426,-0.4241111308892568,6.92474058305379e-06
+3,4.663601414998372,5.0912053082784015,-0.42760391337076825,4.824752171892518e-06
+4,4.601830291493734,5.031373355865479,-0.42954305254618325,4.1199866602255495e-06
+5,4.665722238413493,5.104604846191406,-0.4388826152801514,3.713102867671599e-06
@@ -0,0 +1,6 @@
+Configuration,Lambda diversity,mode_count,normalized_entropy,classifier_confidence,feature_diversity,within_class_diversity,Recovery seconds
+Collapsed start,,1,0.010357953608036041,0.9805793166160583,16.11749267578125,11.458220958709717,
+lambda=0,0.0,1,0.021068770438432693,0.9541524648666382,16.436365127563477,11.539350509643555,775.4761435985565
+lambda=0.1,0.1,2,0.05791272968053818,0.9331758618354797,16.686689376831055,11.85418701171875,772.15576171875
+lambda=0.5,0.5,2,0.052982352674007416,0.9251078963279724,17.057252883911133,12.603004455566406,753.808944940567
+lambda=1,1.0,2,0.04722726345062256,0.9086208939552307,17.2882137298584,13.533077716827393,775.8287467956543
@@ -0,0 +1,11 @@
+\begin{tabular}{lrrrrrr}
+\toprule
+Configuration & $\lambda_{div}$ & Modes & Entropy & Confidence & Feature diversity & Within-class diversity \\
+\midrule
+Collapsed start & NaN & 1 & 0.010 & 0.981 & 16.117 & 11.458 \\
+lambda=0 & 0.000 & 1 & 0.021 & 0.954 & 16.436 & 11.539 \\
+lambda=0.1 & 0.100 & 2 & 0.058 & 0.933 & 16.687 & 11.854 \\
+lambda=0.5 & 0.500 & 2 & 0.053 & 0.925 & 17.057 & 12.603 \\
+lambda=1 & 1.000 & 2 & 0.047 & 0.909 & 17.288 & 13.533 \\
+\bottomrule
+\end{tabular}
@@ -12,3 +12,4 @@ Repositorio con los laboratorios de la asignatura.
 | 1 | MLPs, verosimilitud, entrenamiento y evaluación | [Lab 1 - MLP](Lab1/lab1_mlp.ipynb) | — |
 | 2 | Clasificación tabular con MLP (desbalance de clases) | [Lab 2 - Clasificación](Lab2/notebooks/laboratorio_estudiante.ipynb) | [Reporte PDF](Lab2/reporte_laboratorio.pdf) |
 | 3 | Selección de la dimensión latente de un autoencoder variacional (VAE) | [Lab 3 - VAE](Lab3/lab_003.ipynb) | [Reporte PDF](Lab3/Informe_Laboratorio_VAE.pdf) |
+| 4 | Recuperación del colapso de modos en una GAN | [Lab 4 - GAN](Lab4/lab_new.ipynb) | [Reporte PDF](Lab4/Informe_Laboratorio_GAN.pdf) |