ICMLApr, 2018

CoT：离散数据生成建模的合作式训练

PDF
TL;DR本文提出了一种名为 Cooperative Training 的新方法，通过将 GANs 的 min-max game 转化为一个联合最大化框架并显式地估计和优化 Jensen-Shannon 距离来解决序列生成模型的训练问题。实验证明，与现有的最先进方法相比，CoT 在样本质量、多样性和训练稳定性方面具有优越或至少具有竞争性的表现。
发现论文，激发创造
  • 生成协作网络用于自然语言生成

    本文介绍了一种使用协作式判别器架构来生成逼真文本样本的生成合作网络方法，并通过各种有效的解码方案实现了两项主要 NLG 任务的最优结果。

    Jan, 2022

  • COT-GAN：通过因果最优传输生成序列数据

    使用因果最优传输（COT）思想定义的 COT-GAN 算法应用于产生顺序数据，使用改进的 Sinkhorn 差异度量学习鉴别器的代价函数，并包括增加的时间因果约束和熵惩罚项。实验表明，该算法在产生低维和高维时间序列数据时具有很好的效率和稳定性。

    Jun, 2020

  • Meta-CoTGAN：一种元合作训练方法提升对抗性文本生成

    本文提出一种新的方法，通过引入协作训练和元学习机制，有效地减缓了对抗性生成网络中的模式崩溃，实现了在生成质量和多样性方面显著胜过基线方法的结果。

    Mar, 2020

  • GenCo: 有限数据生成对抗网络的生成式协同训练

    本研究提出了一种基于多元鉴别器协同训练的生成对抗网络 GenCo，通过提供多角度的监督信息减轻鉴别器过拟合问题，该方法在有限的训练数据下达到了优越的图像生成结果，并通过与数据增强方法相结合获得了更加稳定且明显的性能提升。

    Oct, 2021

  • 噪声时间序列学习的联合训练方法

    我们的研究论文关注于强大的时间序列表示学习，通过两种不同编码器为输入的时间序列创建两个视图，并通过协同训练的对比学习来学习这些编码器，通过利用不同视图的互补信息，我们提出的 TS-CoT 方法可以减缓数据噪声和损坏的影响，通过精细调节，TS-CoT 学习到的表示可以很好地转移到下游任务中。

    Aug, 2023

  • 对比模仿生成时间序列

    一种结合自回归模型和对抗模型的生成框架，通过训练一个本地的过渡策略和一个全局的能量模型来生成时间序列数据，以模拟其连续行为，并在实证分析中验证其性能。

    Nov, 2023

  • CoCo: 在数据限制下利用对比学习增强一致性的机器生成文本检测

    本论文提出了一种名为 CoCo 的基于连贯性图和对比学习的模型，用于检测低资源情况下的机器生成文本；该方法采用预训练模型和图神经网络将文本表示为连贯性图，并使用改进的对比损失函数应对数据限制挑战，实验结果表明 CoCo 方法优于现有的最先进的方法。

    Dec, 2022

  • 描述者与生成器网络的协同训练

    本文研究了两个生成模型的协作训练，利用卷积神经网络 (ConvNets) 来进行图像建模和合成，并探究了如何将 MCMC 采样算法无缝地融入协作学习算法中，成功地实现了两个模型的同步训练，从而学习到高度真实的生成模型。

    Sep, 2016

  • 最大似然增强离散生成对抗网络

    本文介绍了将生成对抗网络应用于自然语言任务的困难之处，提出了一种新的最大似然增强离散生成对抗网络方法，并在多个数据集上进行实验证明了其优越性。

    Feb, 2017

  • 自协同学习：生成器与鉴别器之间的协作

    本文提出了一种自洽学习的框架，利用生成对抗网络的生成模型和判别模型的博弈优化，使两者协同训练，避免了 GAN 训练不稳定的问题，并在句子语义匹配问题上实现了较好的性能。

    Mar, 2023