Dropout-GAN: 动态集成鉴别器的学习

KDDJul, 2018

Dropout-GAN: Learning from a Dynamic Ensemble of Discriminators

Gonçalo Mordido, Haojin Yang, Christoph Meinel

TL;DR在生成对抗网络中引入对抗性 Dropout，其中在每个批次结束时，以一定概率省略或退出每个判别器的反馈，从而迫使单个生成器不再只满足单一的判别器，而是满足判别器的动态集合，这导致了产生更加广义的生成器，促进了生成样本的多样性，并避免了 GAN 中经常发生的 mode collapse 问题。并且，通过实验证明了所提出的框架 Dropout-GAN 提高了样本多样性，消除了 mode collapse 并稳定了训练。

Abstract

We propose to incorporate adversarial dropout in generative multi-adversarial networks, by omitting or dropping out, the feedback of each discriminator in the framework with some probability at the end of each batch. Our approach forces the single generator not to constrain its output

adversarial dropout generative multi-adversarial networks mode collapse sample diversity dropout-gan

发现论文，激发创造

GAN 的在线自适应课程学习

提出了一种基于多个鉴别器网络来训练生成器的创新框架，通过更新分配给每个判别器的混合权重来反映生成器的进展情况，实验结果表明能够通过学习曲线来提高样本的质量和多样性。

Jul, 2018

GAN 生成器之间的共享损失

利用多个生成器竞争、同时与鉴别器的交互来解决传统 GAN 中的模式崩溃问题，大幅度减少训练时间，同时不影响其性能。

Nov, 2022

microbatchGAN：多元敌对鉴别刺激多样性

本文提出一种新的方法来解决生成对抗网络中的模式崩溃问题，即通过使用多个鉴别器和将每个微批次中的样本分配到不同的鉴别器来逐步改变鉴别器的任务，从而强制生成器创建多样的样本以减少损失。

Jan, 2020

利用自适应多对抗训练克服模式崩溃

本研究以新的数据生成过程为基础，揭示了生成对抗网络（GAN）生成器模式崩溃的驱动因素是判别器对先前样本的分类准确性的遗忘，即连续学习中的灾难性遗忘现象。为了解决此问题，我们引入了一种自适应生成额外判别模式的训练方法，可以减轻模式崩溃并提高 GAN 评估的标准度量。

Dec, 2021

用于生成对抗网络的动态遮挡鉴别器

从在线持续学习的角度出发，提出了一种新颖的 GAN 方法，通过将生成的数据视为流来训练鉴别器模型，并自动检测其阻塞并动态遮罩其特征，使其能够适应临时变化的生成数据分布。实验结果表明，该方法优于现有的最先进方法。

Jun, 2023

混合批次和对称判别器用于 GAN 训练

该研究提出了一种新的方法来减少 GANs 中的模式坍塌问题，即通过引入一种通用的置换不变鉴别器架构来训练一个预测混合批的真假样本比例的不变鉴别器得分来代替传统方式评估单个样本的鉴别器。实验证明，在两个合成数据集上，这种方法有效地减少了模式坍塌，而在 CIFAR10 和 CelebA 数据集上得到了良好的定性和定量结果。

Jun, 2018

使用多个随机投影稳定 GAN 训练

本文提出了一种针对高维度情况下 GAN 训练不稳定的方法，即使用一个生成器同时生成多个不同低维度投影数据的判别器来提供连续的梯度，实验结果表明该方法能够生成较高质量的图像样本。

May, 2017

利用 Dropout-GAN 进行社交媒体机器人检测

利用生成对抗网络（GAN）的方法来检测社交媒体平台上的机器人活动，克服模式崩溃问题，通过将多个鉴别器与一个生成器训练并解耦鉴别器以进行社交媒体机器人检测，利用生成器进行数据增强，我们的方法在分类准确性方面优于该领域的最先进技术。我们还展示了 GAN 中的生成器如何用于逃避这种分类技术。

Nov, 2023

用 GAN 集成方法进行异常检测

使用生成对抗网络集成的方法提高无监督学习下的异常检测性能，通过实验验证集成的优越性。

Dec, 2020

多生成器生成对抗网络

本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

Aug, 2017