生成式对抗网络
本文旨在为数学家提供适用的 GANs 理论解释,概述 GANs 的训练问题和拓扑学和博弈论视角如何贡献于我们理解和实践 GANs 的技术的正面和反面结果。
Jun, 2018
生成对抗网络(GANs)是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了 GANs 的潜在架构、验证指标和应用领域,并探讨了 GAN 与 Jensen-Shannon 散度之间的深刻联系以及 GAN 框架的最优性特征。对 GAN 变体的效率、模型架构以及训练障碍和解决方案进行了评估,并详细讨论了 GAN 与 Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后,揭示了该领域的若干问题和未来研究方向。
Aug, 2023
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
这篇论文介绍了生成对抗网络的理论基础、基本架构方案和一些应用。生成对抗网络是一种基于两个神经网络 —— 生成器和辨别器的对抗性学习方法,可用于计算机视觉、自然语言处理等领域。
Feb, 2023
本文提出了一种新的 GAN 框架,名为进化生成对抗网络 (E-GAN),该框架使用不同的对抗训练目标作为突变操作,通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力,并利用评估机制来衡量生成样本的质量和多样性,从而始终保留最佳基因用于进一步的训练,从而提高了 GAN 的整体训练效果和生成性能。
Mar, 2018
研究反对派深度学习中的两个重要概念 - 对抗性训练和生成对抗性网络(GAN),这些概念可以相互增强并开发出一种名为 Rob-GAN 的框架,旨在同时提高 GAN 训练的收敛速度、合成图像的质量和鉴别器在强对抗性攻击下的强度。
Jul, 2018
本文提出了 MD-GAN,这是一个新颖的学习过程;将其与改编后的联邦学习进行比较,使用 MNIST 和 CIFAR10 数据集,MD-GAN 表现出了每个工作节点上的学习复杂度降低两倍,同时在两个数据集上提供了比联邦学习更好的性能。
Nov, 2018
本文使用生成对抗网络的生成结果作为认知组件,以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时,本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构(包括转移学习和数据增强技术),并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明,本方法对该上下文的实施非常有效,将作为一个由人与机器共同设计的工作流程进一步评估。
May, 2023