由生成式对抗网络 (GANs) 驱动的多目标演化优化
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
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
我们调查了黑盒共同演化(一种无梯度的协同优化技术和进化计算中的有力工具)作为梯度为基础的 GAN 训练技术的补充,结果表明,共同演化对于逃避退化的 GAN 训练行为是一个有前途的框架。
Jul, 2018
生成对抗网络(GANs)在生成高质量的图像方面取得了巨大成功,并因此成为生成艺术图像的主要方法之一。本研究首先使用 Creative Adversarial Networks(CANs)架构的 GAN 进行训练,然后采用演化方法在模型的潜在空间中导航以发现图像。通过使用自动美学和交互式人类评估指标对生成的图像进行评估,并提出一种基于多个参与者的合作评估的人类交互式评估案例。此外,我们还尝试了一种智能变异算子,通过基于美学度量的局部搜索来提高图像的质量。通过比较自动和协作交互进化产生的结果来评估该方法的有效性。结果表明,当演化过程由协同人类反馈引导时,所提出的方法能够生成高度吸引人的艺术图像。
Mar, 2024
该研究使用增量算法 AdaGAN 训练 Generative Adversarial Networks(GAN)来解决 GAN 模型中出现的 missing modes 问题,并且证明了当每一步是最优的时候,这种增量方法可以在有限步数内收敛到真实分布,否则以指数速度收敛。
Jan, 2017
本文提出了一种基于生成对抗网络(GAN)的流形内插框架,以学习流形并在其上生成高质量解。我们将该算法与几种最先进的算法进行了比较,实验结果表明该框架在解决大规模多目标优化问题时取得了显著的改进。
Jan, 2021
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