TL;DR本研究提出了基于贝叶斯公式的 GAN 模型,通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重,在不需要特征匹配或使用小批量区分等标准干预的情况下,实现半监督和无监督的学习效果,避免了模式崩塌的问题,并在多个基准数据集上取得了最佳性能。
Abstract
generative adversarial networks (GANs) can implicitly learn rich
distributions over images, audio, and data which are hard to model with an
explicit likelihood. We present a practical bayesian formulation for
uns
提出了一种新的半监督生成对抗网络模型 (SS-GAN),通过适应 GAN 框架,使用一对堆叠的鉴别器来学习数据的边际分布和数据属性的条件分布,特别针对半监督学习,通过有标记和无标记数据学习数据的边际分布并通过有标记数据纯粹地学习属性的条件分布,实验证明该模型相较于已有的半监督条件 GAN 模型具有更好的性能。