ICLRNov, 2016

通过优化的最大均值差异实现生成模型和模型评估

PDF
TL;DR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。
发现论文，激发创造
  • 通过最大均值差异优化训练生成神经网络

    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。

    May, 2015

  • 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

  • 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

  • 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

  • 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

  • 生成模型中模型选择的相对相似性测试

    该研究提出了一种基于最大平均差异度量方法的概率生成模型选择统计测试，在对深度生成模型进行实验时，该测试能够对不同参数和训练设置下的模型性能进行有意义的排名。

    Nov, 2015

  • 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

  • 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

  • 图生成模型的评估指标：问题、陷阱和实用解决方案

    本文介绍了如何评估和比较图生成模型，特别是着重介绍了最大均值差异（MMD）在图生成模型比较中的应用。通过对人为生成的扰动图以及最近提出的图生成模型的行为全面分析，我们提出了适当的纠正措施并为研究人员提供了一些实用建议。

    Jun, 2021