May, 2015

通过最大均值差异优化训练生成神经网络

PDF
TL;DR通过最大均值差异的无偏估计作为双样本检验统计量，将深度神经网络视为生成器网络，将学习过程看做最小化二元检验统计量，通过实证比较及理论边界分析，探究了生成对抗网络框架及无参数核双样本检验框架的异同。
deep neural networkgenerator networktwo-sample testmaximum mean discrepancygeneralization error
发现论文，激发创造
  • 通过优化的最大均值差异实现生成模型和模型评估

    本研究提出了一种基于最大均值差异（MMD）的统计检验来最大化两个概率分布样本的表示和区分度的优化方法，并将其应用于生成对抗网络（GAN）的无监督学习设置中，在其中，MMD 可以用作两种角色：一是直接对样本或样本特征作为鉴别器使用，二是通过将模型样本与参考数据集比较来评估生成模型的性能。

    Nov, 2016

  • 生成时刻匹配网络

    本文研究使用多层感知器、最大均值差异等统计假设检验技术来训练生成对抗网络，并与自编码器网络相结合，以产生比基准方法更优秀的 MNIST 和 Toronto Face Database 的生成模型。

    Feb, 2015

  • 解密 MMD GANs

    通过使用最大均值差异（MMD）作为批判家来研究生成对抗网络的训练和性能，我们澄清了最近的工作中提出的 GAN 损失函数中的偏差问题，并讨论了 MMD 批判家的内核选择问题，提出了改进的 GAN 收敛度量，核启动距离，并展示如何在 GAN 训练期间使用它动态调整学习速率。

    Jan, 2018

  • 条件生成的矩匹配网络

    本研究提出了条件生成矩匹配网络 (CGMMN)，基于条件最大均值差距 (CMMD) 标准，学习给定一些输入变量的条件分布，学习采用随机梯度下降，梯度通过反向传播计算。我们在广泛的任务上评估了 CGMMN，包括预测建模、上下文生成和贝叶斯暗知识，这些任务通过学习相对较小的 CGMMN 学生网络从贝叶斯模型中提炼知识。结果表明，在所有任务中都具有竞争性的性能。

    Jun, 2016

  • 基于最大均值差异（MMD）统计量的集中不等式及其在生成模型中的应用

    我们提出了一种均匀集中不等式，用于一类基于最大均值差异（MMD）的估计器的理论分析，特别是在生成模型中的应用。我们将该结果应用于最小 MMD 估计器和 MMD GAN 的泛化误差界的推导

    May, 2024

  • 具有最大平均差异正则化的贝叶斯神经网络

    本文提出了一种基于最大均值差异的理解下界（ELBO）的变体，该下界替代了 KL 散度，取得了比现有技术更高的多个基准测试结果，包括多个图像分类任务。 此外，本文还提出了一种新的估算给定预测的不确定性的公式，并表明该公式对抗攻击和输入噪声具有更强的健壮性。

    Mar, 2020

  • 最大均值差异检验能够识别对抗性攻击

    本研究提出三个重要因素：有效的深度内核、极限统计应用、野外自助法，尤其是克服了对抗数据的非独立性问题。研究结果表明，最大均值偏差 (MMD) 测验可以检测到自然数据和对抗数据之间的分布差异，这为基于两样本检验的对抗数据检测开辟了一条新的道路。

    Oct, 2020

  • 最大均值差异下的生成模型统计推断

    本文介绍了一种基于最小距离估计的统计模型，即对于可能性不易计算的生成模型，通过指定核函数，作为一个度量距离的最大均值差异（MMD）可以用来进行最小距离估计，同时结合自然梯度下降算法的应用使这种估计更加高效和鲁棒。

    Jun, 2019

  • MMD GAN: 基于矩匹配网络的深度理解

    通过引入对抗内核学习技术，提出了一种改进的生成矩匹配网络 MMD-GAN，它能够显著提高模型的表达性和计算效率，并在多个基准数据集上表现优异。

    May, 2017

  • 生成对抗网络评估指标的实证研究

    本文研究了生成对抗网络（GAN）的评估方法，发现基于核最大均值差（MMD）和最近邻（1-NN）等指标，可以较好地满足评估需要，同时具备区分真实样本与生成样本的性质，并探究了几种著名 GAN 模型的特性。

    Jun, 2018