Fixing Lab4

Lab4/Informe_Laboratorio_GAN.tex

@@ -68,15 +68,14 @@ generador es
   $\lambda_{\mathrm{div}}$ 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.}
+\answer{Antes de examinar los resultados se esperaría que
+$\lambda_{\mathrm{div}}=0.5$ ofreciera un buen equilibrio: suficiente para
+incentivar diversidad entre las muestras del generador sin ser tan agresivo
+como $\lambda_{\mathrm{div}}=1.0$, que podría distorsionar excesivamente las
+imágenes en su intento de maximizar la distancia entre pares generados. El
+riesgo esperado era que un $\lambda_{\mathrm{div}}$ demasiado alto sacrificara
+realismo visual a cambio de diversidad artificial (por ejemplo, añadiendo
+ruido o trazos distorsionados en lugar de dígitos genuinamente distintos).}
 
 \section{Diagnóstico del punto de control colapsado}
 
@@ -87,50 +86,47 @@ entrenamiento adversarial de base.}
   \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.}
+\answer{\texttt{collapsed\_samples.png} muestra 64 imágenes, todas dígitos "1"
+o "7" perfectamente legibles y con variedad de trazo (rectos, inclinados, con
+o sin serifa horizontal); no aparece ningún otro dígito.
+\texttt{collapsed\_class\_distribution.png} confirma cuantitativamente que
+solo esas dos clases superan el umbral del 1\% (\textasciitilde49\% y
+\textasciitilde48.5\% de la masa respectivamente), con el resto prácticamente
+en cero. La evidencia distingue ambos fenómenos con claridad: hay 8 clases
+completamente ausentes (0, 2, 3, 4, 5, 6, 8, 9 por debajo del umbral),
+mientras que dentro de las dos clases representadas sí se observa variedad de
+apariencia (distintos estilos de trazo para el "1" y para el "7"); es decir,
+el colapso es entre clases, no una repetición monótona de una única imagen.}
 
 \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.}
+\answer{El número de modos (2/10) confirma que exactamente dos clases superan
+el umbral del 1\%, coincidiendo con los dígitos objetivo del colapso (1 y 7).
+La entropía normalizada (0.367) cuantifica además qué tan pareja es la masa
+entre esas clases activas: un valor tan por debajo de 1.0 refleja que, aunque
+hay 2 modos, la distribución global sigue muy alejada de la uniformidad sobre
+las 10 clases, ya que la masa está casi enteramente concentrada en ese
+subconjunto (aproximadamente 50/50 entre 1 y 7), dejando 8 clases sin
+representación. El conteo de modos aporta una lectura discreta de cobertura;
+la entropía aporta la forma continua de toda la distribución, incluyendo cuán
+desbalanceada está incluso entre las clases activas.}
 
 \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).}
+\answer{Sí, de forma razonablemente confiable: las imágenes en
+\texttt{collapsed\_samples.png} son dígitos "1" y "7" claramente legibles, con
+variación visible de estilo (inclinación, presencia de barra horizontal en el
+"7", grosor del trazo), por lo que se puede juzgar directamente si hay
+diversidad dentro de cada clase representada. Como evidencia adicional, la
+diversidad intra-clase cuantitativa del punto colapsado (25.954) es
+considerablemente menor que la alcanzada tras la recuperación
+(\textasciitilde37--38), lo que corrobora numéricamente que la variedad
+dentro de esas dos clases también era más limitada en el punto de partida, y
+no es solo una impresión visual.}
 
 \section{Resultados de recuperación}
 
@@ -158,60 +154,73 @@ colapso dirigido).}
   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.}
+\answer{Las cuatro configuraciones de recuperación
+($\lambda_{\mathrm{div}}=0$, $0.1$, $0.5$ y $1.0$) recuperan la totalidad de
+las 10 clases (10/10 modos), frente a 2/10 en el punto de partida. Un número
+alto de modos no garantiza automáticamente una distribución perfectamente
+equilibrada, pero en este caso la entropía normalizada confirma que sí se
+logró una cobertura casi uniforme: entre 0.984 y 0.988 en las cuatro
+configuraciones, muy cerca del máximo teórico de 1.0, frente a 0.367 en el
+punto colapsado. \texttt{class\_distributions.png} corrobora visualmente que
+las cuatro configuraciones producen barras de altura similar en las 10
+clases (con una ligera sobre-representación del dígito "9" y
+sub-representación del "4" en las cuatro), consistente con una recuperación
+genuina y no solo nominal.}
 
 \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.}
+\answer{La confianza del clasificador baja de 0.971 (colapsado) a un rango
+estrecho de 0.909--0.912 en las cuatro configuraciones recuperadas, sin una
+tendencia clara respecto a $\lambda_{\mathrm{div}}$ ($\lambda=0.1$ tiene la
+confianza más baja, 0.909, mientras que $\lambda=0$ y $\lambda=1.0$ empatan en
+la más alta, 0.912). Esta pequeña caída es esperable y saludable: el punto
+colapsado concentraba casi toda la probabilidad en solo 2 clases con trazos
+muy estereotipados (más fáciles de clasificar con alta confianza), mientras
+que al cubrir las 10 clases el clasificador enfrenta dígitos naturalmente más
+ambiguos entre sí (por ejemplo 4 frente a 9, o 3 frente a 8). No se observa
+aquí un compromiso fuerte entre diversidad y calidad: las cuatro
+configuraciones logran cobertura completa sin una penalización de confianza
+mayor al \textasciitilde6\% respecto al punto colapsado.}
 
 \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.}
+\answer{Ambas métricas suben de forma marcada respecto al punto colapsado
+(diversidad de características: 32.059 $\to$ \textasciitilde50.3--51.0;
+diversidad intra-clase: 25.954 $\to$ \textasciitilde37.3--38.1), pero entre
+las cuatro configuraciones de recuperación las diferencias son mínimas y no
+siguen un patrón monótono claro: $\lambda=0.5$ tiene la diversidad de
+características más baja (50.256) y la intra-clase más baja (37.341) de las
+cuatro, mientras que $\lambda=1.0$ tiene ambas más altas (50.829 y 38.141
+respectivamente). No hay una configuración que mejore claramente una medida
+sacrificando la otra; las cuatro se comportan de forma muy similar, lo que
+sugiere que, una vez corregido el entrenamiento adversarial, la recuperación
+de diversidad en este escenario depende más de reanudar el entrenamiento
+sobre datos completos que del peso específico de la pérdida de diversidad
+explícita.}
 
 \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.}
+\answer{En esta corrida la mayor diversidad numérica sí corresponde a
+variaciones significativas y no a ruido: en \texttt{recovery\_samples.png},
+las cuatro filas de recuperación muestran dígitos completos y reconocibles de
+múltiples clases (ejemplo 1: la tercera columna muestra un "9" con trazo
+cursivo bien formado en las cuatro configuraciones; ejemplo 2: la octava
+columna muestra una forma con un trazo diagonal marcado parecido a un rayo,
+consistente entre las cuatro configuraciones). Cabe notar que, como la
+evaluación usa la misma semilla de muestreo para las cuatro configuraciones,
+las imágenes de una misma columna son decodificaciones del mismo vector
+latente por cada generador, y por eso lucen casi idénticas entre filas de
+recuperación --lo cual es coherente con que las métricas cuantitativas
+también sean casi idénticas entre configuraciones-- y ninguna muestra manchas
+de ruido ni dígitos ambiguos.}
 
 \section{Comportamiento durante el entrenamiento}
 
@@ -223,32 +232,33 @@ no una diversidad semántica real entre dígitos.}
   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.}
+\mathcal{L}_{\mathrm{div}}$ combina dos términos con escalas y pesos
+distintos según la configuración. En \texttt{recovery\_training.png} se
+observa que el objetivo total del generador es sistemáticamente más bajo
+cuanto mayor es $\lambda_{\mathrm{div}}$ (por ejemplo, $\lambda=1.0$ termina en
+\textasciitilde1.07 frente a \textasciitilde1.35 en $\lambda=0$), pero esto no
+significa que ese modelo entrene "mejor": $\mathcal{L}_{\mathrm{div}}$ está
+definida como una cantidad negativa (más negativa cuanto más diversas son las
+salidas), así que un $\lambda_{\mathrm{div}}$ mayor simplemente resta más de
+ese término negativo al total, sin que ello implique una pérdida adversarial
+menor. Comparar el total directamente confundiría el efecto de la
+ponderación con una diferencia real de desempeño adversarial.}
 
 \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.}
+\answer{No por sí solas. \texttt{recovery\_training.png} muestra que la
+pérdida del discriminador sube de forma saludable desde
+\textasciitilde0.57--0.61 hasta \textasciitilde0.90--0.98 a lo largo de las 5
+épocas de recuperación en las cuatro configuraciones, sin colapsar a 0 ni
+dispararse --un patrón consistente con un equilibrio adversarial funcional.
+Sin embargo, esta curva por sí sola solo indica que el entrenamiento es
+estable; la confirmación de que el colapso de modos realmente se resolvió
+requiere las métricas de cobertura (10/10 modos, entropía
+\textasciitilde0.98--0.99, Pregunta 5) y la inspección visual de
+\texttt{recovery\_samples.png}, que muestran dígitos reconocibles de las 10
+clases.}
 
 \section{Decisión y limitaciones}
 
@@ -256,81 +266,100 @@ preentrenamiento inicial y nunca se recuperó.}
   \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.}
+\answer{Se recomienda $\lambda_{\mathrm{div}}=1.0$. Evidencia cuantitativa:
+(1) alcanza la entropía normalizada más alta de las cuatro configuraciones
+(0.988, frente a 0.984 en $\lambda=0$); (2) alcanza la diversidad intra-clase
+más alta (38.141) y empata en la confianza de clasificador más alta (0.912)
+junto con $\lambda=0$, sin ningún costo aparente respecto a las demás.
+Evidencia visual: (3) en \texttt{recovery\_samples.png}, la fila
+$\lambda=1.0$ muestra las mismas 16 imágenes nítidas y reconocibles que el
+resto de configuraciones, sin manchas de ruido ni distorsiones adicionales
+pese a tener el peso de diversidad más alto evaluado; (4) en
+\texttt{class\_distributions.png}, su distribución de clases es tan pareja
+como la de las demás configuraciones (mismo patrón de ligera
+sobre-representación de "9" y sub-representación de "4"). Dado que
+$\lambda_{\mathrm{div}}=1.0$ no muestra ninguna penalización visible de
+calidad frente a $\lambda_{\mathrm{div}}=0$, y sí una ligera ventaja
+consistente en las métricas de diversidad, es la opción mejor respaldada
+entre las evaluadas --con la salvedad de que las diferencias entre las
+cuatro configuraciones son pequeñas y podrían no ser robustas frente a otra
+semilla aleatoria, ya que cada una se evaluó una sola vez (Pregunta 13).}
 
 \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.}
+\answer{Sí cambiaría, aunque por poco: se elegiría $\lambda_{\mathrm{div}}=0$,
+que logra la confianza de clasificador empatada más alta (0.912, igual que
+$\lambda=1.0$) sin necesidad de introducir el término adicional de diversidad
+ni su costo de ajuste. Como en este experimento fidelidad y diversidad no
+muestran un compromiso fuerte entre sí (las cuatro configuraciones logran
+calidad visual y cobertura muy similares), priorizar fidelidad favorecería la
+configuración más simple ($\lambda_{\mathrm{div}}=0$) por parsimonia, ya que
+no hay evidencia de que agregar la pérdida de diversidad aporte una mejora
+de fidelidad adicional en este caso.}
 
 \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.}
+\answer{\emph{Clasificador:} se entrenó únicamente con dígitos reales de
+MNIST, por lo que su confianza y sus predicciones de clase pueden no ser
+completamente fiables frente a imágenes fuera de esa distribución; incluso en
+esta corrida corregida, la confianza no debe interpretarse como una medida
+absoluta de realismo, solo como un proxy relativo entre configuraciones.
+\emph{Diseño experimental:} cada configuración de $\lambda_{\mathrm{div}}$ se
+evaluó con una sola semilla y un solo conjunto de 5 épocas de recuperación,
+por lo que las pequeñas diferencias entre configuraciones (por ejemplo, 0.984
+frente a 0.988 de entropía) podrían no ser estadísticamente robustas frente a
+la variación aleatoria de la inicialización o el orden de los datos.
+
+\emph{Nota de depuración:} durante una primera ejecución de este notebook se
+detectó que el punto de control "colapsado" y las cuatro recuperaciones
+producían únicamente ruido no estructurado, sin relación aparente con
+dígitos reales, independientemente de $\lambda_{\mathrm{div}}$. La causa era
+un error en la celda \texttt{train\_gan\_epoch}: durante el paso de
+actualización del generador, el discriminador se ponía en
+\texttt{discriminator.eval()} antes de calcular la pérdida adversarial. Como
+el discriminador incluye una capa \texttt{nn.BatchNorm2d}, el modo
+\texttt{eval()} lo hace usar estadísticas acumuladas (running mean/var) en
+lugar de las del lote actual, desincronizando el discriminador que evalúa al
+generador del discriminador que realmente se entrena, e impidiendo que el
+generador recibiera una señal de gradiente útil (el discriminador saturaba en
+la época 5 de 16 del preentrenamiento). El arreglo --cambiar esa línea a
+\texttt{discriminator.train()}-- resolvió el problema por completo: el punto
+de control colapsa correctamente hacia los dígitos 1 y 7 (97.2\% de la masa,
+Pregunta 2) y las cuatro recuperaciones alcanzan cobertura completa de las 10
+clases. Todos los resultados de este informe corresponden a la corrida ya
+corregida.}
 
 \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.}
+\answer{Se propone repetir las cuatro configuraciones de recuperación con al
+menos 3 semillas aleatorias distintas cada una, midiendo la media y
+desviación estándar de entropía, confianza y diversidad intra-clase por
+configuración. Dado que en esta corrida las diferencias entre
+$\lambda_{\mathrm{div}}=0$, $0.1$, $0.5$ y $1.0$ son pequeñas (por ejemplo,
+0.984 frente a 0.988 de entropía), este experimento permitiría confirmar si
+$\lambda_{\mathrm{div}}=1.0$ realmente aventaja de forma consistente a
+$\lambda_{\mathrm{div}}=0$, o si la diferencia observada aquí es ruido de una
+sola corrida; si las diferencias desaparecen bajo múltiples semillas, la
+recomendación debería simplificarse a $\lambda_{\mathrm{div}}=0$ por
+parsimonia.}
 
 \section*{Recomendación final}
 
-Valor recomendado: $\lambda_{\mathrm{div}}=0.1$
+Valor recomendado: $\lambda_{\mathrm{div}}=1.0$
 
 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
-$\lambda_{\mathrm{div}}$.}
+\answer{Tras corregir un error de \texttt{BatchNorm}/modo \texttt{eval()} en
+el paso del generador, las cuatro configuraciones de recuperación restauran
+por completo las 10 clases de dígitos (entropía \textasciitilde0.98--0.99
+frente a 0.367 en el punto colapsado), y $\lambda_{\mathrm{div}}=1.0$ se
+recomienda por lograr la mayor entropía y diversidad intra-clase sin
+sacrificar confianza de clasificador frente a las demás configuraciones
+evaluadas.}
 
 \end{document}