Jun, 2017

自动编码生成对抗网络的变分方法

PDF
TL;DR本篇论文提供了一个新的原则，即利用生成模型的层次结构将自编码器与生成对抗网络相结合，以防止学习到的生成模型中的模式崩溃，并使用区分器学习合成可能性和隐式后验分布。
auto-encodinggenerative adversarial networksvariational inferencesynthetic likelihoodslearning
发现论文，激发创造
  • 深层生成模型的统一化

    本文介绍了针对生成模型学习中 GAN 和 VAEs 的新方法，并阐述了 GAN 和 VAEs 的相似性和差异性，探讨了它们的后验推理和 KL 散度的最小化问题，并将 VAEs 的 importance weighting 方法应用到 GAN 的学习中，同时采用对抗性机制加强 VAEs 模型，实验证明了这些方法的普适性和有效性。

    Jun, 2017

  • 对抗自编码器

    本文提出了 “对抗自编码器”(AAE)，它是一个概率自编码器，使用最近提出的生成对抗网络 (GAN) 通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义的样本。结果，对抗自编码器的解码器学习了一种深度生成模型，将所施加的先验映射到数据分布。我们展示了对抗自编码器如何在半监督分类，图像风格和内容分离，无监督聚类，降维和数据可视化等应用中使用。我们在 MNIST、Street View 房屋号码和 Toronto Face 数据集上进行了实验，并展示了对抗性自编码器在生成建模和半监督分类任务中取得了有竞争力的结果。

    Nov, 2015

  • 对抗变分贝叶斯：统一变分自编码器和生成对抗网络

    介绍了 Adversarial Variational Bayes 技术，可以用于训练具有任意表达力的推理模型的变分自编码器，并将其与生成对抗网络建立起了原则上的联系。

    Jan, 2017

  • 生成对抗网络及其变体的工作原理：概述

    本文主要讨论生成对抗网络的应用和基本操作，介绍了 GAN 如何学习高维度、复杂的真实数据分布，并不需要假设分布，同时讨论了 GAN 加入自动编码器框架、用于图像合成、图像编辑和分布学习等多种变体。

    Nov, 2017

  • 多对抗变分自编码网络

    介绍了 Multi-Adversarial Variational autoEncoder Networks (MAVENs) 网络结构，它是 VAE-GAN 网络的一个创新应用，在人工合成图像方面有很好的表现。

    Jun, 2019

  • 使用隐式分布的变分推断

    本文综述了现有算法之间的联系，包括广泛使用的变分自编码器、以对抗方式学习的推断、运算符变分推断、基于生成式对抗网络的图像重建等，提出了新的算法框架，并基于密度比估计或去噪等方法展示了实际的推断算法。

    Feb, 2017

  • 使用混合高斯变分自编码器抵抗对抗攻击

    本文介绍了一种利用变分自编码器 (VAE) 来解决深度神经网络 (DNN) 易受到针对性攻击的问题的方法，其关键是将鉴别模型与生成模型相结合，在先验分布中进行选择性分类，从而提高分类的准确性。

    May, 2018

  • 仅需两者：对抗生成 - 编码网络

    我们提出了一种新的自编码器类型架构，它可以以无监督的方式进行训练，支持生成和推断，并通过对抗学习增强条件和无条件样本的质量。与以前的自编码器和对抗网络混合体不同，我们方法中的对抗游戏直接在编码器和生成器之间进行，训练过程中没有外部映射。游戏目标是将真实数据分布和生成数据分布的差异与潜在空间中的先验分布进行比较。我们展示了直接生成器对编码器游戏会导致两个组件的密切耦合，从而产生与一些最近提出的更复杂的架构相当的样本和重建质量。

    Apr, 2017

  • Pioneer Networks：逐步增长的生成自编码器

    提出了一种新颖的生成自编码器网络模型，能够高质量、高分辨率地学习编码和重建图像，并支持从编码器的潜在空间进行平滑的随机采样。

    Jul, 2018

  • 针对具有鲁棒性的半监督学习的对抗变分嵌入

    我们提出了一种名为 AVAE 的新型对抗生成嵌入框架，该框架将 GAN 的高质量生成模型和 VAE 的后验分布学习器的优势相结合，用于半监督学习，并针对已有的问题进行改进。实践结果表明，我们的方法在半监督分类方面的表现优于现有的最先进模型。

    May, 2019