Jan, 2019

多个鉴别器的生成对抗网络多目标训练

PDF
TL;DR本研究重新审视多判别器模型，将不同模型提供的损失的同时最小化作为多目标优化问题，并评估多种数据集上的多梯度下降和超体积最大化算法的性能。我们的结果表明，超体积最大化在样本质量和计算成本之间提供了更好的折衷方案，比之前方法更优。
generative adversarial networksdiscriminatorsmulti-objective optimizationgradient descenthypervolume maximization
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

  • 使用超体积最大化多目标学习预测帕累托前沿

    提出了一种使用动态损失函数来进行多目标训练神经网络以逼近 Pareto 前沿的新方法，在三个多目标问题上的实验表明，本方法无需预先指定权衡向量即可以返回分布在不同权衡方案上的输出，并且与现有技术相比具有更多的优势，尤其是对于非对称 Pareto 前沿。

    Feb, 2021

  • 最大似然增强离散生成对抗网络

    本文介绍了将生成对抗网络应用于自然语言任务的困难之处，提出了一种新的最大似然增强离散生成对抗网络方法，并在多个数据集上进行实验证明了其优越性。

    Feb, 2017

  • 生成对抗学习的逼近与收敛特性

    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

  • 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

  • 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

  • 双判别器生成对抗网络

    本文提出了一种名为双判别器生成对抗网络（D2GAN）的生成对抗网络算法，该算法使用 KL 散度和反 KL 散度，避免了多峰性分布的崩塌问题，并在广泛的实验中证明了与最新 GAN 算法相比的竞争和卓越性能。

    Sep, 2017

  • GAN 中的歧视 - 泛化取舍

    本文研究了生成式对抗网络的判别器集合，证明了其线性张成是连续函数有界集合的密集子集，则其是判别性的，我们还通过不同的评价指标开发了广义边界，阐明了实际性能。

    Nov, 2017

  • 生成对抗模型的组合功能梯度学习

    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

  • 由生成式对抗网络 (GANs) 驱动的多目标演化优化

    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