本文提出 Fisher GAN 并在图像生成和半监督分类中验证了其可靠性,Fisher GAN 是一种在 Integral Probability Metrics 框架内的 GAN 训练方法,其判别器使用了数据相关的约束。
May, 2017
本文提出了一个新的在分布之间比较均值差异的积分概率度量(Integral Probability Metric,简称 IPM):Sobolev IPM。Sobolev IPM 可以被看作是高维分布的一维 Von-Mises Cramér 统计量的扩展,并且可以用于训练生成式对抗网络(Generative Adversarial Networks,简称 GAN)。同时本文展示了 Sobolev GAN 能够在 CIFAR-10 半监督学习中取得出色的结果。
Nov, 2017
本文提出了一种基于变分分析的生成对抗网络(GAN)的统一方法,讨论了在 $f$-divergence-minimizing GANs 和 IPM GANs 中的最优生成器,展示了基于分数匹配和流匹配的训练方法,以及判别器引导 Langevin 采样方法。
Jun, 2023
本文介绍了一种新的基于积分概率度量的生成对抗网络 (IPMs) 用于训练 GAN 的方法,该方法基于有限维特征空间中嵌入的分布的统计数据,其中的平均值和协方差匹配特征,这样的 IPMs 可实现稳定的 GAN 训练,我们称之为 McGan,并最小化所讨论的分布之间的有意义的损失
Feb, 2017
本文研究了基于概率测度的积分距离度量学习算法在神经网络距离度量的极小值估计问题。通过样本推算,我们得到了对神经网络距离度量的估计误差的极小值下限和比现有估计误差上限更紧的上界,并证明了在实践中经验神经网络距离度量是真实神经网络距离度量的有效近似。
Nov, 2018
本文研究发现,通过针对特定生成器选择具有强鉴别能力的鉴别器以学习 Wasserstein 距离下(或者在很多情况下是 KL 散度下)的分布,一定能以多项式复杂度学习,从而解决了 GANs 过于简单导致模式严重缺失的问题。
Jun, 2018
GANs 的统计一致性研究:通过导出有限样本集中不等式,扩展了 $(f,\Gamma)$-GANs 理论的适用领域,同时在适当的极限情况下,与基于积分概率度量的 GANs 结果相符,并展现出在多个应用中提供提升性能的能力。
Jun, 2024
本研究提出了基于贝叶斯公式的 GAN 模型,通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重,在不需要特征匹配或使用小批量区分等标准干预的情况下,实现半监督和无监督的学习效果,避免了模式崩塌的问题,并在多个基准数据集上取得了最佳性能。
本文介绍了一种新的 MIM-based GAN 算法,该算法在数据生成方面有着卓越的特点,进一步提出了一种无监督学习的异常检测方法,并在环境、医疗和生化等领域的数据集上进行了比较与评估。
Mar, 2022
本文讨论基于生成对抗网络(GANs)的半监督学习方法,研究表明在鉴别器的目标下,需要一个差劣的生成器,提出了首选生成器的定义,并在多个基准数据集上显著改善了特征匹配 GANs,取得了最新的结果。