Dec, 2016

用生成匹配网络实现生成模型的快速适应

PDF
TL;DR我们开发了一种基于 “匹配网络” 的新生成模型 Generative Matching Network，该模型通过在额外输入数据集的条件下学习新的概念，无需使用广泛推理过程进行训练或适应，且在可用的更多附加数据的情况下显着提高了预测性能，优于现有的最先进条件生成模型。
deep generative modelsgenerative matching networksone-shot learningpredictive performanceconditional generative models
发现论文，激发创造
  • 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

  • MatchingGAN：基于匹配的少样本图像生成

    我们提出了一种基于匹配的生成对抗网络，包括匹配生成器和匹配鉴别器，可以在仅有少量图像的情况下生成新图像，并加以验证。

    Mar, 2020

  • 生成对抗网络中的持续学习

    通过减少灾难性遗忘，本研究将最新工作应用于在一系列不同分布的序列上训练生成对抗网络并实现连续生成建模。

    May, 2017

  • 对抗特征匹配的文本生成

    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

  • 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

  • 有条件 GAN 中的选择性聚焦学习

    本文提出使用选择性对焦学习的训练方法来解决条件生成对抗网络（cGANs）的训练问题，针对每个小批量的数据选择性地应用条件匹配和联合匹配，从而在 ImageNet、CIFAR-10 和 CIFAR-100 数据集上提高了 cGAN 的性能（FID 最高可达 35.18%），同时保持了多样性。

    Jul, 2021

  • GLMNet: 基于图学习的特征匹配网络

    提出了一种新的 “图学习 - 匹配” 网络（GLMNet）方法，它将图学习集成到图匹配中，采用 Laplacian sharpening 卷积模块提取节点嵌入特征，并通过设计新的约束正则化损失来优化图匹配，实验结果表明该方法有效，具有一些主要模块的优势。

    Nov, 2019

  • 使用梯度匹配的数据集压缩

    本文提出了一种名为数据集精简的数据高效学习方法，该方法从大量数据中学习到一组信息丰富的合成样本来训练深度神经网络，并将此目标表述为深度神经网络权重梯度匹配问题，此技术在计算机视觉基准测试中表现出较高性能，并且在有限的内存和计算宝贵的情况下实现了不俗的成绩。

    Jun, 2020

  • 通过特征匹配学习隐式文本生成

    这篇论文介绍了一种针对序列数据的 GFMN 算法，具有稳定性和较好的效果，适用于无条件文本生成、条件文本生成和无监督文本样式转换。

    May, 2020

  • LGM-Net: 学习生成匹配网络进行少样本学习

    本文提出了一种新的元学习方法：LGM-Net，通过学习跨任务的可转移先验知识并直接产生相似未见过任务的网络参数来进行少样本分类，其中包含 TargetNet 模块和 MetaNet 模块，且介绍了一种跨任务整合策略以利用不同任务之间的公共信息，实验结果表明，LGM-Net 可以有效地适应相似未见的任务，具有比其他元学习方法更快的学习和适应速度。

    May, 2019