迈向分布式共进化 GANs
COEGAN 使用神经进化和协同进化策略来自动设计神经网络架构,以实现更稳定的 GAN 培训方法。在 Fashion-MNIST 和 MNIST 数据集上的实验表明,COEGAN 能够发现高效的架构,并且避免了常见的模式坍塌问题。
Dec, 2019
本文提出了一种新的 GAN 框架,名为进化生成对抗网络 (E-GAN),该框架使用不同的对抗训练目标作为突变操作,通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力,并利用评估机制来衡量生成样本的质量和多样性,从而始终保留最佳基因用于进一步的训练,从而提高了 GAN 的整体训练效果和生成性能。
Mar, 2018
提出了一种基于生成对抗网络驱动的多目标进化算法,通过对父代和子代解进行分类和采样,充分利用生成对抗网络进行有限训练数据的高维优化,取得了理想的效果
Oct, 2019
本文探讨了对生成对抗网络中出现的不稳定性和模态崩溃问题进行改进的方法,通过引入进化计算的原理,将两种促进训练多样性的方法(E-GAN 和 Lipizzaner)进行混合,提出了一种名为 Mustangs 的进化 GAN 训练方法,该方法通过结合了多样性提升的变异和种群方法,实现了更准确更快速地训练 GAN 模型。
May, 2019
本文针对图像翻译中具有复杂架构、参数数量众多、计算复杂度较高的生成器,提出了一种全新的协同进化方法,以减少其内存使用量及乘法操作次数,从而在图像翻译中实现紧凑高效的生成器设计。Experiments 表明,该方法的有效性得到了充分的验证。
Jul, 2019
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
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
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