Jun, 2017

基于在线学习的生成对抗网络方法

PDF
TL;DR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。
发现论文，激发创造
  • 生成对抗网络（GANs）的收敛问题

    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

  • 生成对抗网络综述：变种、应用与训练

    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

  • 使用生成对抗网络学习生成椅子

    本文探讨了使用生成对抗网络 (GAN) 合成高度逼真图像的优化问题，针对当下模型存在的问题，提出了一种修改规则和设计模型的方法。实验表明，我们的方法可以更有效地训练 GAN 模型，并以 3D 物体投影问题为例进行了验证。

    May, 2017

  • 生成对抗网络概述

    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

  • 基于随机决策规则的生成对抗网络的新范式

    本文提出了一种新的基于随机化决策规则的 GAN 公式，其中鉴别者收敛于一个固定点，而生成器则收敛于 Nash 均衡下的分布，通过随机梯度 Markov 链蒙特卡罗算法以及相应的模拟方法，得到了一种有效的支撑算法。

    Jun, 2023

  • 生成对抗网络中的泛化和均衡

    通过对生成对抗网络的训练，我们发现它可能没有良好的泛化特性，并且展示了训练成功不代表训练的分布接近目标分布，但是泛化确实存在于弱度量的神经网络距离中。我们证明了当生成器容量和训练集大小适中时，鉴别器 / 生成器博弈存在近似的纯平衡，这启发了 MIX+GAN 协议的存在可以与任何现有的 GAN 训练相结合，并在实践中改善了其中一些。

    Mar, 2017

  • 提高生成对抗网络的泛化能力和稳定性

    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

  • 隐式生成模型中的学习

    本文介绍了生成对抗网络（GANs）的算法框架，将其与隐式生成模型的学习算法相联系，提出了基于密度比估计的方法并借此引导观察者更深层次地思考生成模型。

    Oct, 2016

  • 虚构 GAN：使用历史模型训练 GANs

    通过博弈论视角，使用历史混合模型对深度神经网络进行训练的 Fictitious GAN 方法可以有效地解决收敛问题，从而使生成器的输出分布在渐进意义下收敛于数据样本的分布。

    Mar, 2018

  • 多生成器生成对抗网络

    本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

    Aug, 2017