Jun, 2016

对抗学习推理

PDF
TL;DR介绍了通过对抗学习方法来共同学习生成和推理网络的 Adversarially learned inference 模型。其中，生成网络通过将样本从随机潜变量映射到数据空间，而推理网络则将数据空间中的训练样例映射到潜变量空间。同时利用对抗游戏学习判别网络以区分生成网络和推理网络的联合潜变量 / 数据空间样本，从而在半监督环境下获得了与先进技术相当的性能。
adversarially learned inferencegeneration networkinference networklatent variablessemi-supervised learning
发现论文，激发创造
  • 广义对抗学习推断

    通过将 self-supervised feedback 引入到 GANs 的训练中，匹配多个随机变量元组的联合分布，以获得超出现有方法的更高应用性。

    Jun, 2020

  • 层次对抗学习推理

    提出了一种新颖的分层生成模型，使用对抗学习模型进行训练，可以逐步学习更抽象的表征，并提供具有不同保真度的语义有意义的重建。模型使用 CelebA 数据集演示了其学习的特征能够在无监督情况下胜过最佳手工特征，并在 MNIST 半监督分类任务中实现了最新的性能。

    Feb, 2018

  • 对抗特征学习

    通过设计 BiGANs 模型实现 GANs 的逆向学习与无监督特征学习以及其在辅助监督鉴别任务中的有效性。

    May, 2016

  • 生成模型的自适应密度估计

    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

  • 对抗消息传递用于图形模型

    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

  • 使用隐式分布的变分推断

    本文综述了现有算法之间的联系，包括广泛使用的变分自编码器、以对抗方式学习的推断、运算符变分推断、基于生成式对抗网络的图像重建等，提出了新的算法框架，并基于密度比估计或去噪等方法展示了实际的推断算法。

    Feb, 2017

  • 对抗性学习的异常检测

    本文提出一种基于双向 GAN 的异常检测方法 ALAD，通过对偶学习特征并利用这些特征的重构误差来确定数据样本是否异常，从而在一系列图像和表格数据集上取得了最先进的性能。

    Dec, 2018

  • 潜在空间中的对抗学习用于多样对话生成

    本文提出了一个基于生成对抗网络的两步框架，通过自编码学习语句的有意义表征，并学习将输入映射到响应表征上，最终将其解码为响应句子，经定量和定性评估证明相对于现有的最先进方法，该模型生成的响应更具流畅性、相关性和多样性。

    Nov, 2019

  • 反演生成对抗网络的生成器

    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

  • 仅需两者：对抗生成 - 编码网络

    我们提出了一种新的自编码器类型架构，它可以以无监督的方式进行训练，支持生成和推断，并通过对抗学习增强条件和无条件样本的质量。与以前的自编码器和对抗网络混合体不同，我们方法中的对抗游戏直接在编码器和生成器之间进行，训练过程中没有外部映射。游戏目标是将真实数据分布和生成数据分布的差异与潜在空间中的先验分布进行比较。我们展示了直接生成器对编码器游戏会导致两个组件的密切耦合，从而产生与一些最近提出的更复杂的架构相当的样本和重建质量。

    Apr, 2017