对抗特征学习
提出了一种新的 “不变编码生成式对抗网络”(IVE-GANs)框架,利用特定数据的不变特征进行逆向映射,使生成器可以涵盖更多数据模式并提升生成效果和表示能力,并在多个数据集上进行了验证。
Nov, 2017
通过先前训练好的 GAN 模型,将图像投影到潜在空间中以获取表示,我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息,这种方法可以应用于一次性学习。
Nov, 2016
该研究提出了一种通过敌对训练生成逼真文本的框架,采用了 LSTM 作为生成器,卷积网络作为判别器,并使用核距离度量匹配真实和合成句子的高维潜在特征分布,从而缓解了模式崩溃问题,并在定量评估方面表现出优越性,证明了该模型可以生成逼真的句子。
Jun, 2017
本文提出了将生成式对抗网络(GANs)视为隐式模型的一种方法,基于生成器和判别器的相互作用弱化了显式的似然值评估,从而在有向无环图的结构模型中实现了贝叶斯后验推理和模型学习。
Dec, 2016
本文主要讨论生成对抗网络的应用和基本操作,介绍了 GAN 如何学习高维度、复杂的真实数据分布,并不需要假设分布,同时讨论了 GAN 加入自动编码器框架、用于图像合成、图像编辑和分布学习等多种变体。
Nov, 2017
提出了一种用于离散数据训练生成式对抗网络(GANs)的方法,称为边界寻找 GANs(BGANs)。该方法利用鉴别器估计的差异度量计算生成样本的重要性权重,为训练生成器提供了策略梯度,并证明了该算法在离散图像和字符基自然语言生成方面具有很好的效果。此外,目标函数可以扩展到连续的数据集,可用于提高训练的稳定性,并证明了在 Celeba、LSUN 卧室场景理解和 Imagenet 数据集上,该方法的实用性。
Feb, 2017
该论文研究了无监督学习中生成模型的训练方法,提出了一种在对抗网络与似然训练之间进行混合训练的方法,其中使用深度可逆变换来解决概率和逆变换之间的冲突,实现了更好的生成样本和更高的似然性评估。
Jan, 2019
本教程讨论了 GAN 技术及其在不同信息检索场景下的离散数据拟合的变体,着重介绍了 IRGAN 的基本 GAN 框架和直接应用在信息检索中拟合单个 ID 数据分布,以及 GAN 在生成文本和图形数据等方面的解决方案,并介绍了 IRGAN 和 Texygen 等相关开源平台来帮助研究者进行有关 GAN 的信息检索实验,最后对 GAN 在信息检索中未来研究方向进行了综合总结和展望。
Jun, 2018