Jun, 2018

生成对抗网络（GANs）的收敛问题

PDF
TL;DR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。
发现论文，激发创造
  • 稳定生成对抗网络：综述

    本文综述了文献中可找到的 GAN 训练稳定方法，讨论了每种方法的优缺点并进行比较总结，最后提出了未解决问题的讨论。

    Sep, 2019

  • 生成对抗网络（GAN）的数学介绍

    本文从数学角度提供了生成式对抗网络（GAN）的概述，以更习惯数学语言的学生为目标，介绍了 GAN 的数学基础、应用及技术发展。

    Sep, 2020

  • 生成对抗网络概述

    本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

    Oct, 2017

  • 生成式对抗网络的公正性分析

    本文分析并强调 GAN 模型的公平性问题，提出了针对样本组的 GAN 模型调节或采用集成方法的解决方案，避免因训练过程中对某些群体偏好而测试时不能统一生成不同群体的数据分布。

    Mar, 2021

  • 虚构 GAN：使用历史模型训练 GANs

    通过博弈论视角，使用历史混合模型对深度神经网络进行训练的 Fictitious GAN 方法可以有效地解决收敛问题，从而使生成器的输出分布在渐进意义下收敛于数据样本的分布。

    Mar, 2018

  • 隐式生成模型中的学习

    本文介绍了生成对抗网络（GANs）的算法框架，将其与隐式生成模型的学习算法相联系，提出了基于密度比估计的方法并借此引导观察者更深层次地思考生成模型。

    Oct, 2016

  • 边界搜索生成对抗网络

    提出了一种用于离散数据训练生成式对抗网络（GANs）的方法，称为边界寻找 GANs（BGANs）。该方法利用鉴别器估计的差异度量计算生成样本的重要性权重，为训练生成器提供了策略梯度，并证明了该算法在离散图像和字符基自然语言生成方面具有很好的效果。此外，目标函数可以扩展到连续的数据集，可用于提高训练的稳定性，并证明了在 Celeba、LSUN 卧室场景理解和 Imagenet 数据集上，该方法的实用性。

    Feb, 2017

  • 生成对抗网络的误差分析

    我们研究了基于一类包含鉴别器和生成器神经网络的函数的高维分布学习模型中生成对抗网络（GAN）的误差收敛速度，并利用 Talagrand 不等式和 Borel-Cantelli 引理建立了一种紧密的误差收敛速度。

    Oct, 2023

  • 生成对抗网络 (GANs) 的十年：最新技术综述

    生成对抗网络（GANs）是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了 GANs 的潜在架构、验证指标和应用领域，并探讨了 GAN 与 Jensen-Shannon 散度之间的深刻联系以及 GAN 框架的最优性特征。对 GAN 变体的效率、模型架构以及训练障碍和解决方案进行了评估，并详细讨论了 GAN 与 Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后，揭示了该领域的若干问题和未来研究方向。

    Aug, 2023

  • 生成对抗网络综述：算法、理论和应用

    本文从算法、理论和应用三个方面综述了各种生成对抗网络（GANs）算法的动机、数学表示和结构特点，比较了不同 GANs 方法的共同性和差异，探讨了 GANs 相关的理论问题以及在图像处理、自然语言处理、医疗领域、数据科学等领域的应用，并指出了未来 GANs 的开放性研究问题。

    Jan, 2020