使用 Wasserstein 生成对抗网络设计蒙特卡罗模拟
提出了第一个设计的量子 Wasserstein 生成对抗网络(WGANs),它已被证明在嘈杂的量子硬件上提高了量子生成模型的鲁棒性和可扩展性,即使是在经典模拟量子系统上也表现出了更为稳健和可扩展的数值性能,实现了一个近似于需要超过 10k 门的标准技术的 3 量子比特 1-d 哈密顿模拟电路的 50 门量子电路的生成。
Oct, 2019
本文提出了一种新的基于随机化决策规则的 GAN 公式,其中鉴别者收敛于一个固定点,而生成器则收敛于 Nash 均衡下的分布,通过随机梯度 Markov 链蒙特卡罗算法以及相应的模拟方法,得到了一种有效的支撑算法。
Jun, 2023
对 X 射线源产生的光谱进行精确建模需要使用蒙特卡罗模拟。这些模拟需要评估物理过程,例如在致密物体周围的吸积过程中发生的过程,通过对多个不同的概率分布进行采样。我们以描述相对论电子速度的 Maxwell-Jüttner 分布为例,证明生成对抗网络(GAN)能够统计复制该分布。通过神经网络生成的样本的 Kolmogorov-Smirnov 测试的平均值为 0.5,表明生成的分布与真实分布无法区分。
Feb, 2024
本篇论文提出了一种基于随机投影的生成模型,该模型较传统的 GAN 模型更加稳定和精确,采用的 Wasserstein 距离作为度量计算生成样本的真实性,可以得到更准确的生成结果。
Mar, 2018
本文研究生成对抗网络中用于逼近 Wasserstein 度量的方法,考虑到 $c$-transformation 的使用可以更精确地估计真实的 Wasserstein 度量,但在生成模型方面,$c$-transformation 不是表现最好的方法。
Oct, 2019
本论文介绍了生成对抗网络(GAN)模型的数学原理及其训练难度,引入了 Wasserstein GAN,采用一种平滑的度量方法来度量两个概率分布之间的距离,以提高 GAN 的训练效果。
Apr, 2019
本文提出了一种通过在小的邻域内促进局部鲁棒性来提高生成对抗网络的泛化能力的方法,并在 CIFAR-10 数据集上的实验表明,该鲁棒性生成对抗网络能够显著而一致地改善五个基线模型。
Apr, 2020
本文提出了使用条件生成对抗网络(CGAN)学习和模拟时间序列数据的方法,探讨 GAN 和神经网络与现有统计方法之间的联系,最终展示了 CGAN 在市场风险分析中的应用,包括历史数据的学习、风险预测分析以及价值风险和预期缺失计算等方面,并通过回测结果证明其优于历史模拟法。
Apr, 2019
本论文研究了生成性对抗网络(GANs)的收敛速率和损失函数,探讨了在不同参数和非参数条件下的目标分布,都能通过 GANs 进行逼近, 建立了基于生成器和判别器的正则化理论,提出了生成器 - 判别器对正则化的新概念,为分布估计提供了有效的统计保证。
Nov, 2018