提出基于样本而非单一样本点作为基础鉴别单位的对抗训练框架,并介绍了两种可操作和预测样本的分布式对手,通过实验结果表明,与传统的细节预测鉴别器训练模型相比,使用我们的分布式对手训练的生成器更加稳定且极少出现模式崩溃,将该框架应用于领域适应也取得了显着的提高。
Jun, 2017
本文揭示了Variational Autoencoders (VAEs)的局限性,它们无法稳定地学习潜在空间和可见空间中的边缘分布,因为学习过程是通过匹配条件分布进行的。同时,文章通过大规模的评估VAE-GAN混合模型并分析类概率估计对分布学习的影响,得出VAE-GAN混合模型在可扩展性、评估和推理方面比VAE更加困难,无法提高GAN的生成质量。
Feb, 2018
开发了一种新的生成对抗网络,用于联合分布匹配,并能够从多个随机变量中学习联合分布,同时学习采样每个单独领域的边缘分布和领域间的条件分布,该框架由多个生成器和一个基于Softmax的评论家组成,并通过对抗性学习进行联合训练。
Jun, 2018
本文阐述了MixUp的工作机制,并介绍了与对抗训练有关的一类新型训练方案:方向对抗训练(DAT)。本文证明了MixUp等同于DAT的一个特殊子集。此理解有助于解释MixUp的有效性,并揭示了一族更为普遍的MixUp方案,我们称之为Untied MixUp,证明了Untied MixUp的存在可以改善MixUp方案的效果。
Jun, 2019
本文提出了一种适用于多域联合分布匹配的可扩展领域深度生成模型:MMI-ALI,它具有优秀的效能和可伸缩性,并且已经在多种具有挑战性的$m$-domain情景中得到了验证。
Jul, 2019
本文提出了一种通过对齐条件和标签分布来实现对抗式无监督域自适应的方法,并提出了一种新的优化策略。实验结果表明,它在分类和分割的无监督域自适应上具有很好的效果。
Jul, 2021
该研究提出了一种基于对称支持差异测量来量化不匹配的支持的方法,通过优化鉴别器在一维输出空间中的对称松弛最优输运成本,实现支持的对齐,并在标签分布转移的领域适应任务中得到了更强的稳健性。
Mar, 2022
该研究提出了一种统一且高效的非对抗流基准准确测量联合分布可比性的框架,旨在解决分布对齐中的挑战,通过在模拟和真实数据集上的实验结果得到验证。
Jul, 2022
本研究解决了分布匹配问题,即如何稳健地对齐两个概率分布。提出了一种新的部分分布匹配方法(PDM),通过部分Wasserstein对抗网络(PWAN)实现高效近似,实验表明该方法在点集配准和部分领域适应任务中表现出色,具有较强的实用性和性能优势。
Sep, 2024
本研究解决了深度学习模型在部署过程中对抗样本脆弱性的问题。提出了一种新颖的不确定性感知分布式对抗训练方法,利用对抗样本的统计信息和不确定性估计来增强对抗样本的多样性。实验结果表明,该方法在对抗鲁棒性和自然性能方面达到了最先进的水平。
Nov, 2024