NIPSDec, 2017

GibbsNet：深层图模型的迭代对抗推理

PDF
TL;DR本研究提出了基于对抗习得迭代过程的 GibbsNet 方法，用于学习数据和潜变量之间的联合分布，具有快速高效的优点。GibbsNet 方法不需要显式指定潜变量的先验分布，即可实现属性预测、类条件生成和联合图像属性建模等多种任务。实验表明，GibbsNet 方法能够学习到更复杂的联合分布，从而实现高效的图像修复和迭代精细化。
latent variable modelsadversarial learninggibbsnetattribute predictionimage modeling
发现论文，激发创造
  • 生成模型的自适应密度估计

    该论文研究了无监督学习中生成模型的训练方法，提出了一种在对抗网络与似然训练之间进行混合训练的方法，其中使用深度可逆变换来解决概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

    Jan, 2019

  • 对抗消息传递用于图形模型

    本文提出了将生成式对抗网络（GANs）视为隐式模型的一种方法，基于生成器和判别器的相互作用弱化了显式的似然值评估，从而在有向无环图的结构模型中实现了贝叶斯后验推理和模型学习。

    Dec, 2016

  • 无向图模型中的神经变分推断和学习

    本文提出了针对无向模型的黑盒学习和推理算法，通过使用变分逼近模型 log-likelihood 的上界优化算法，其中重要的是由灵活神经网络表达的 log-partition 参数化函数上界。我们的算法可加速采样，训练广泛类别的混合有向 / 无向模型，并在多个流行生成建模数据集上验证了其有效性。

    Nov, 2017

  • 对抗学习推理

    介绍了通过对抗学习方法来共同学习生成和推理网络的 Adversarially learned inference 模型。其中，生成网络通过将样本从随机潜变量映射到数据空间，而推理网络则将数据空间中的训练样例映射到潜变量空间。同时利用对抗游戏学习判别网络以区分生成网络和推理网络的联合潜变量 / 数据空间样本，从而在半监督环境下获得了与先进技术相当的性能。

    Jun, 2016

  • 广义对抗学习推断

    通过将 self-supervised feedback 引入到 GANs 的训练中，匹配多个随机变量元组的联合分布，以获得超出现有方法的更高应用性。

    Jun, 2020

  • 图形生成对抗网络

    提出了一种名为 Graphical Generative Adversarial Networks（Graphical-GAN）的模型，结合了贝叶斯网络和生成性对抗网络的能力来建模结构化数据。引入了一个结构化的识别模型来推断给定观测值的潜在变量的后验分布，并将期望传播（EP）算法广义化，以同时学习生成模型和识别模型。最后，提出了两个 Graphical-GAN 的重要实例，即高斯混合 GAN（GMGAN）和状态空间 GAN（SSGAN），可分别成功学习视觉数据集的离散和时间结构。

    Apr, 2018

  • 生成对抗网络中的持续学习

    通过减少灾难性遗忘，本研究将最新工作应用于在一系列不同分布的序列上训练生成对抗网络并实现连续生成建模。

    May, 2017

  • 信念网络中的神经变分推断和学习

    我们提出了一种快速的非迭代近似推理方法，通过前馈网络实现从变分后验进行有效精确抽样，该方法通过应用几种直观的模型独立方差减少技术，优于 MNIST 和 Reuters RCV1 文件数据集上的唤醒 - 睡眠算法，并取得了最新成果。

    Jan, 2014

  • 层次对抗学习推理

    提出了一种新颖的分层生成模型，使用对抗学习模型进行训练，可以逐步学习更抽象的表征，并提供具有不同保真度的语义有意义的重建。模型使用 CelebA 数据集演示了其学习的特征能够在无监督情况下胜过最佳手工特征，并在 MNIST 半监督分类任务中实现了最新的性能。

    Feb, 2018

  • 对抗特征学习

    通过设计 BiGANs 模型实现 GANs 的逆向学习与无监督特征学习以及其在辅助监督鉴别任务中的有效性。

    May, 2016