May, 2017

目标驱动生成对抗网络 (ORGAN) 用于序列生成模型

PDF
TL;DR本研究提出了一种利用生成对抗网络和强化学习相结合的方法，实现对数据生成过程进行度量偏置，提高目标数据质量。通过在分子和音乐生成数据的生成过程中的应用，验证了该方法的有效性。
发现论文，激发创造
  • 无需强化学习的对抗文本生成

    本文利用自编码器生成低维度语句向量空间，再用生成对抗网络利用这个空间生成真实文本，与竞争基线相比，经人工审核和 BLEU 分数表明模型可以生成逼真的文本。

    Oct, 2018

  • SeqGAN: 带策略梯度的序列生成对抗网络

    本文提出了一种名为 SeqGAN 的序列生成框架，该框架将数据生成器建模为强化学习中的随机策略，通过直接执行梯度策略更新来绕过生成器差异化问题，并利用蒙特卡罗搜索将 RL 奖励信号从 GAN 鉴别器传递回中间状态动作步骤。在合成数据和现实世界任务上的广泛实验表明，SeqGAN 比强基线模型有了显著的改进。

    Sep, 2016

  • 多性质优化的分子生成对抗网络

    通过引入一种基于演员 - 评论家强化学习的生成对抗网络 (GAN) ，称为 InstGAN，将独特的即时和全球奖励的方法用于在分子级别上进行多属性优化，以解决生成对抗网络和强化学习模型的训练不稳定和高计算成本的挑战，实验证明 InstGAN 在生成具有多属性优化的分子方面优于其他基线模型，并且性能可与最先进的模型相媲美，同时高效地生成分子。

    Mar, 2024

  • 连接生成对抗网络和演员 - 评论家方法

    本文就生成对抗网络与强化学习算法中的优化困难性问题进行了探索，指出两类算法在训练过程中的不稳定性问题，以及缓解这些问题的策略，并将 GAN 视为一种无法影响奖励的 actor-critic 方法。希望此理论联系能够激发 GAN 和 RL 社区开发具有通用性、可扩展性和稳定性的深度网络算法，并促进两个社区之间的创新灵感。

    Oct, 2016

  • 利用生成对抗网络进行不完整考古物品三维重建

    通过 ORGAN 对象重建生成对抗网络可以有效地预测受损物体的缺失部位，具有很高的恢复受损信息的能力。

    Nov, 2017

  • 基于生成对抗网络的电子健康记录研究：探索和评估药物诱导的实验室检测轨迹预测方法的框架

    本文提出了一个框架，探索将生成对抗网络应用于连续实验室时间序列数据的价值，提出一种无监督的评估方法来测量合成实验室测试时间序列的预测能力，并证明在训练 GAN 模型之前，将训练集的表示学习纳入考虑是有益的，尤其是在预测药物作用于实验室测试数据方面。

    Dec, 2017

  • 克服自回归图生成中的顺序问题

    本文提出了一种使用递归神经网络和无序正则化项进行顺序图生成的方法，以解决顺序生成导致的问题，并证明该方法在数据稀缺的情况下对顺序图生成模型有益处，为合成逼真、多样化图结构的各种应用提供了有价值的工具。

    Feb, 2024

  • OodGAN: 用于域外数据生成的生成对抗网络

    使用 SeqGAN 的 OodGAN 模型，可直接处理文本数据而无需附加自编码器组件，生成的 OOD 数据优于 ROSTD 和 OSQ 数据集的现有模型，因其相应的假阳性率的 FPR 0.95 相对提高了 67％和 28％（Zheng et al.，2020）。

    Apr, 2021

  • 生成协作网络用于自然语言生成

    本文介绍了一种使用协作式判别器架构来生成逼真文本样本的生成合作网络方法，并通过各种有效的解码方案实现了两项主要 NLG 任务的最优结果。

    Jan, 2022

  • 生成对抗网络、逆强化学习和基于能量的模型之间的联系

    本篇论文阐述了生成对抗网络（GAN）中的成本函数学习与强化学习（RL）中的逆向强化学习（IRL）方法之间的数学等价性，强调 GAN 是能量基模型的一种训练算法，这一发现能够让这三个领域的研究人员在互相借鉴中更好地发掘可转移的思想，尤其是为了开发更加稳定和可扩展的算法。

    Nov, 2016