ICMLJun, 2018

JointGAN: 用生成式对抗网络实现多领域联合分布学习

PDF
TL;DR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。
发现论文，激发创造
  • 耦合生成对抗网络

    本文提出了联合生成对抗网络 (CoGAN) 用于学习多域图像的联合分布。 与现有方法相比，CoGAN 可以在不需要不同域中对应图像元组的情况下，仅通过来自边际分布的样本学习联合分布，并将其应用于许多联合分布学习任务，包括颜色和深度图像的联合分布以及具有不同属性的脸部图像的联合分布。 此外，对于域自适应和图像转换，也展示了其应用。

    Jun, 2016

  • 因果生成领域自适应网络

    本文提出了一种灵活的生成领域自适应网络 (G-DAN) 和因果生成领域自适应网络 (CG-DAN)，旨在通过建模特征的生成过程和使用低维潜在变量，学习和处理源域和目标域之间的分布变化，进而实现跨领域数据生成和预测。实验结果表明，这两种方法在合成和真实数据实验中都能有效地适应不同的领域。

    Apr, 2018

  • 三角形生成对抗网络

    介绍了一种名为三角生成对抗网络 (Δ-GAN) 的模型，用于半监督跨域联合分布匹配，其中包括图像分类和图像转换等多领域应用。

    Sep, 2017

  • 联合适应网络的深度迁移学习

    本研究介绍了一种叫做 JAN 的联合适应网络，它通过最大均值偏差准则（JMMD）对多个特定领域层次的联合分布进行对齐，实现从源领域到目标领域的迁移学习，实验表明我们的模型在标准数据集上提供了最先进的结果。

    May, 2016

  • 对抗式判别领域自适应

    本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为 ADDA，它将判别建模、解除权重共享和 GAN 损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

    Feb, 2017

  • 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

  • AlignGAN：使用有条件的生成对抗网络学习对齐跨域图像

    本论文提出了一种基于条件 GAN 的方法，可以在缺少配对样本的情况下成功地对齐跨域图像，并且还提出了一种利用多个信息条件（如域信息和标签信息）进行标签传播的模型，并给出了一个用于学习该模型的两步交替训练算法。

    Jul, 2017

  • MD-GAN: 分布式数据集的多鉴别器生成对抗网络

    本文提出了 MD-GAN，这是一个新颖的学习过程；将其与改编后的联邦学习进行比较，使用 MNIST 和 CIFAR10 数据集，MD-GAN 表现出了每个工作节点上的学习复杂度降低两倍，同时在两个数据集上提供了比联邦学习更好的性能。

    Nov, 2018

  • 双生成器对抗生成网络用于多域图像翻译

    该文介绍了一种基于生成对抗网络 (GANs) 的双生成器生成对抗网络 (G$^2$GAN) 方法，可以通过一种单一模型实现多个领域的非配对图像转换，并研究了不同的优化损失，以提高稳定性。该方法在 6 个公共数据集上进行广泛实验，证明了其相对于现有的 GAN 模型在模型容量和图片生成性能上具有卓越的优势。

    Jan, 2019

  • 分布式对抗网络

    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