Jun, 2016

信息增益生成对抗网络可解释的表示学习

PDF
TL;DRInfoGAN 是一种信息论扩展的生成对抗网络，能够以完全无监督的方式学习分离表示，其中以小部分潜在变量和观察之间的相互信息为最大化目标，通过优化互信息下限来训练，并成功地在 MNIST、SVHN 和 CelebA 数据集上取得了竞争性的结果。
发现论文，激发创造
  • InfoMax-GAN: 基于信息最大化和对比学习的改进对抗图像生成

    本文提出了一种基于对比学习和互信息最大化的正式框架，可以同时减轻生成敌对网络（GAN）中两个根本问题：鉴别器的灾难性遗忘和生成器的模式坍塌，从而在图像合成中显着稳定 GAN 训练和提高 GAN 性能。

    Jul, 2020

  • 用半监督引导 InfoGAN

    本文提出了一种新的半监督 GAN 架构 (ss-InfoGAN)，用于图像合成，可以利用少量标签（最多不超过数据集的 10%）的信息学习语义有意义的和可控制的数据表示，其中潜变量对应标签类别，该架构建立在信息最大化生成对抗网络 (InfoGAN) 的基础上，被证明可以学习连续和分类编码，并实现比完全无监督设置更高质量的合成样本。此外，我们表明，使用少量标记数据可以加快训练收敛速度。最后，本文贡献了关于介绍半监督增加合成数据和真实数据之间的互信息的信息理论推理。

    Jul, 2017

  • 生成对抗网络用于信息检索：基础与进展

    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

  • InterFaceGAN：解读 GAN 学习的分解人脸表示

    本文介绍了一种名为 InterFaceGAN 的框架，通过解析状态最先进的 GAN 模型学习的分离面部表示，并研究在潜在空间中编码的面部语义属性特性，可以实现面部属性的真实操作而不必重新训练模型，并且可以更准确地控制特征操作。

    May, 2020

  • 堆叠式生成对抗网络

    本文提出了一种名为 SGAN 的新型生成模型，其利用自底向上的判别网络的分层表示创造了一个自上而下的 GAN 堆栈，对其进行反演。通过引入表示鉴别器和条件损失并使用多个噪声向量，SGAN 能够生成质量更高的图像。

    Dec, 2016

  • 领域鲁棒性视觉仿真学习与互信息约束

    介绍了一种名为 Disentangling Generative Adversarial Imitation Learning（DisentanGAIL）的新算法，可通过对抗学习来自动学习高维度任务表现观察的特征，从而成功进行模仿，同时忽略专家和代理之间的差异，此算法在包括平衡、操纵和运动任务在内的各种控制问题中都具有高效性和稳健性。

    Mar, 2021

  • 利用互信息学习说话者表示

    利用互信息作为无监督学习中一种重要的度量方式，设计一种基于编码器 — 判别器结构的音频信号 SincNet 编码器，通过最大化采样自同一句子块的编码表示之间的互信息来学习音频信号中说话者的特征表达，可成功地实现有效的说话者识别和验证任务。

    Dec, 2018

  • InfoGraph：利用互信息最大化进行无监督和半监督图级表示学习

    本文研究无监督与半监督情境下，学习整个图的表示。通过最大化不同规模子结构（例如节点，边和三角形）的表示和图表示之间的互信息，提出了名为 InfoGraph 的图级表示学习方法。InfoGraph 优于现有的竞争基线。同时，我们还提出了一个名为 InfoGraph * 的扩展，主要用于半监督学习。

    Jul, 2019

  • 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

  • 生成对抗网络概述

    本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

    Oct, 2017