GAN 是否平等? 大规模研究
本研究提出了两种基于图像分类的测量标准,GAN-train 和 GAN-test,以评估各种 GAN 方法的召回率和准确率。研究结果表明,数据集的难度与 GAN 质量呈负相关,并发现这两种度量标准可以更好地评估 GAN 的性能。
Jul, 2018
生成对抗网络(GANs)是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了 GANs 的潜在架构、验证指标和应用领域,并探讨了 GAN 与 Jensen-Shannon 散度之间的深刻联系以及 GAN 框架的最优性特征。对 GAN 变体的效率、模型架构以及训练障碍和解决方案进行了评估,并详细讨论了 GAN 与 Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后,揭示了该领域的若干问题和未来研究方向。
Aug, 2023
本文分析并强调 GAN 模型的公平性问题,提出了针对样本组的 GAN 模型调节或采用集成方法的解决方案,避免因训练过程中对某些群体偏好而测试时不能统一生成不同群体的数据分布。
Mar, 2021
本文讨论了用于语言生成的生成对抗网络 (GANs) 模型的评估指标问题,认为现有的评估指标无法全面准确地反映模型更真实的表现,提出了一些更适合从质量和多样性方面评估 GAN 模型的新指标,并通过实验证明了相比传统语言模型 (LM),目前的 GAN 模型在语言生成方面的表现并没有明显优势。
Jun, 2018
本文从算法、理论和应用三个方面综述了各种生成对抗网络(GANs)算法的动机、数学表示和结构特点,比较了不同 GANs 方法的共同性和差异,探讨了 GANs 相关的理论问题以及在图像处理、自然语言处理、医疗领域、数据科学等领域的应用,并指出了未来 GANs 的开放性研究问题。
Jan, 2020
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
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