本文从数学角度提供了生成式对抗网络(GAN)的概述,以更习惯数学语言的学生为目标,介绍了 GAN 的数学基础、应用及技术发展。
Sep, 2020
本文综述了生成模型的最新应用 —— 生成对抗网络(GAN)及其在计算机视觉和机器学习领域的实际应用,讨论了 GAN 训练中的困难和障碍,并调查了不同研究者提出的训练方案,以求实现 GAN 的稳定训练,最后探讨了与该主题相关的新问题和研究方向。
Jun, 2020
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
本研究提出了一种名为 Chekhov GAN 1 的训练方法,将 GAN 的训练问题视为在零和博弈中找到一种混合策略,结合在线学习的思想,理论和实践证明了该方法收敛于半浅 GAN 体系结构,提高了稳定性和性能。
Jun, 2017
本篇论文介绍了最近使用生成对抗网络进行文本生成的研究和进展,并对基于对抗学习的文本生成的三种可能选择(即 Gumbel-Softmax 分化,强化学习和修改训练目标)进行了综述。
Dec, 2022
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
本文综述了文献中可找到的 GAN 训练稳定方法,讨论了每种方法的优缺点并进行比较总结,最后提出了未解决问题的讨论。
Sep, 2019
本文通过分析实际情景下 GAN 的泛化能力,证明了原始 GAN 的损失函数训练得到的鉴别器的泛化能力较差,并提出了一种零中心梯度惩罚策略以改善鉴别器的泛化能力,并保证 GAN 的收敛和泛化。通过在合成和大规模数据集上的实验,验证了理论分析的正确性。
Feb, 2019
本文提出了一种不依赖于传统极小 - 极大公式的生成式对抗方法理论,并展示了当存在强的辨别器时,通过每个功能性梯度步骤,可以学到一个好的生成器,使得真实数据和生成数据的分布的 KL 散度改善,直到收敛于零,并基于该理论,提出了一种新的稳定的生成式对抗方法,同时提供了从这个新的视角对原始 GAN 的理论洞见,最终,针对图像生成的实验展示了我们的新方法的有效性。
Jan, 2018
本文从算法、理论和应用三个方面综述了各种生成对抗网络(GANs)算法的动机、数学表示和结构特点,比较了不同 GANs 方法的共同性和差异,探讨了 GANs 相关的理论问题以及在图像处理、自然语言处理、医疗领域、数据科学等领域的应用,并指出了未来 GANs 的开放性研究问题。
Jan, 2020