本文研究了生成对抗网络在逼近目标分布时的两个基本问题:限制鉴别器家族对近似质量的影响和不同目标函数的收敛条件与分布收敛之间的关系。定义了对抗分歧的概念,证明了使用受限制的鉴别器家族具有矩匹配效应,并且对于严格对抗性分歧的目标函数,证明了目标函数上的收敛蕴含着弱收敛。
May, 2017
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
本文介绍了一种用于分析生成对抗网络的凸对偶框架,提出在约束条件为凸集时,通过最小化生成模型与经过判别器的数据分布匹配但是被期望的矩所限制的分布的 JS 散度,来得到生成模型。同时,将此框架应用于 f-GAN 和 Wasserstein GAN 网络,提出了一种新的混合 JS 散度和 Wasserstein 距离的分布度量用于正则化中。
Oct, 2018
本文提出了一种基于变分分析的生成对抗网络(GAN)的统一方法,讨论了在 $f$-divergence-minimizing GANs 和 IPM GANs 中的最优生成器,展示了基于分数匹配和流匹配的训练方法,以及判别器引导 Langevin 采样方法。
Jun, 2023
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
本文通过分析数学和统计学特性,研究生成式对抗网络与 Jensen-Shannon 散度的深刻联系,并提供鉴别器族群的逼近论证及样本估计分布的大样本性质,特别地证明了中心极限定理。
Mar, 2018
本文提出了一种不依赖于传统极小 - 极大公式的生成式对抗方法理论,并展示了当存在强的辨别器时,通过每个功能性梯度步骤,可以学到一个好的生成器,使得真实数据和生成数据的分布的 KL 散度改善,直到收敛于零,并基于该理论,提出了一种新的稳定的生成式对抗方法,同时提供了从这个新的视角对原始 GAN 的理论洞见,最终,针对图像生成的实验展示了我们的新方法的有效性。
Jan, 2018
本文提出了一种使用最小二乘损失函数的生成对抗网络模型,该模型能够在图像生成和稳定性方面表现得更好,并通过实验结果进行了证明。
Nov, 2016
本文提出了最小二乘生成对抗网络(LSGANs),采用了最小二乘损失函数来提高稳定性并生成高质量图像,并通过定性和定量实验进行了比较评估。
Dec, 2017
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