Jun, 2018

对抗网络的超越局部纳什均衡

PDF
TL;DR通过将生成对抗网络明确建模为混合策略有限博弈，该论文提出了一种资源有限 Nash 均衡解决方案，可通过增加计算资源找到更好的解决方案，证明了该方法比 GAN 和 MGAN 产生的解决方案不易被操纵，且与理论预测的 NEs 非常相似。
generative adversarial networksnash equilibriumfinite gamesmixed strategiesresource-bounded nash equilibrium
发现论文，激发创造
  • 寻找生成对抗网络的混合纳什均衡

    通过无限维二人博弈的新算法框架，我们证明了混合 Nash Equilibria 上的收敛性率，最终通过简单取样程序实现了高效的算法，证明了其在速度和质量上的优越表现。

    Oct, 2018

  • GANs 可能没有纳什均衡

    本论文研究了生成对抗网络在最小极大博弈中存在的纳什均衡问题，提出了一种新的基于近端算子的目标函数来获得用于训练生成网络的近端均衡点，称为近端训练， 并进行了数值实验。

    Feb, 2020

  • 生成对抗网络中的泛化和均衡

    通过对生成对抗网络的训练，我们发现它可能没有良好的泛化特性，并且展示了训练成功不代表训练的分布接近目标分布，但是泛化确实存在于弱度量的神经网络距离中。我们证明了当生成器容量和训练集大小适中时，鉴别器 / 生成器博弈存在近似的纯平衡，这启发了 MIX+GAN 协议的存在可以与任何现有的 GAN 训练相结合，并在实践中改善了其中一些。

    Mar, 2017

  • 基于随机决策规则的生成对抗网络的新范式

    本文提出了一种新的基于随机化决策规则的 GAN 公式，其中鉴别者收敛于一个固定点，而生成器则收敛于 Nash 均衡下的分布，通过随机梯度 Markov 链蒙特卡罗算法以及相应的模拟方法，得到了一种有效的支撑算法。

    Jun, 2023

  • 基于在线学习的生成对抗网络方法

    本研究提出了一种名为 Chekhov GAN 1 的训练方法，将 GAN 的训练问题视为在零和博弈中找到一种混合策略，结合在线学习的思想，理论和实践证明了该方法收敛于半浅 GAN 体系结构，提高了稳定性和性能。

    Jun, 2017

  • 生成对抗网络（GANs）的收敛问题

    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

  • 许多路径通向平衡：GANs 不需要在每一步都减小差异

    通过实证方法，发现 GAN 的训练不仅仅是最小化分布之间的散度，而是通过一些不必要的梯度来促进达到纳什均衡。

    Oct, 2017

  • 生成对抗网络综述：变种、应用与训练

    本文综述了生成模型的最新应用 —— 生成对抗网络（GAN）及其在计算机视觉和机器学习领域的实际应用，讨论了 GAN 训练中的困难和障碍，并调查了不同研究者提出的训练方案，以求实现 GAN 的稳定训练，最后探讨了与该主题相关的新问题和研究方向。

    Jun, 2020

  • 通过双时间尺度更新规则训练的 GAN 收敛于局部纳什均衡

    本文提出一种基于二次尺度更新规则的 GAN 训练方法，使用随机逼近理论证明其可以收敛于本地 Nash 均衡点，并且在图像生成方面的表现优于传统 GAN 算法，同时提出了一种新的用于评估 GAN 生成图像质量的指标 Fr\'echet Inception Distance。

    Jun, 2017

  • 用于训练生成对抗网络的梯度下降 - 上升的本地收敛性

    研究了使用基于核的判别器训练生成式对抗网络的梯度下降 - 上升过程，通过线性化的非线性动态系统描述方法，探究了学习率、正则化和核判别器带宽对该过程的局部收敛速度的影响，提出了系统收敛、振荡和发散的阶段转换点，并通过数值模拟验证了结论。

    May, 2023