Oct, 2020

教授 GAN 什么是不需要学习的

PDF
TL;DR本文介绍了一种新的思路，即尝试通过让生成对抗网络 (GANs) 不仅学会模拟目标分布的正样本，而且学会避免负样本，以更好地表示目标数据分布，加速生成器的训练过程。我们称其为 “Rumi 框架”。实验证明，该方法在 MNIST、Fashion MNIST、CelebA 和 CIFAR-10 数据集上的表现优于标准 GAN 和 LSGAN，并且具有更好的泛化能力。此外，我们同时将该方法应用于处理不平衡数据集中的类别不平衡问题，并在 FID 分数上表现出色。
发现论文，激发创造
  • 隐式生成模型中的学习

    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

  • 训练 GAN 的改进技术

    本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了 GANs 的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在 MNIST，CIFAR-10 和 SVHN 的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的 MNIST 和 CIFAR-10 图像样本和 ImageNet 样本，呈现出 ImageNet 类可识别特征的学习过程。

    Jun, 2016

  • 自监督生成对抗网络中的辅助旋转损失

    利用对抗性训练和自监督技巧，通过任务的表示学习促进判别器学习有意义的特征表示的全无监督学习方法产生高质量的图像。在相同的条件下，自监督生成对抗网络的表现与有标记数据的生成网络相似。同时，我们还演示了该方法可扩展到一个无条件的图像集中，以实现 FID 为 23.4.

    Nov, 2018

  • 标签噪声鲁棒性生成式对抗网络

    该论文提出了一种名为 rGAN 的新型 GAN 模型，通过加入噪声转移模型，在训练标签出现噪声的情况下，可以学习到一个干净的带条件的生成分布。该模型在不同的噪声设置和多种评估指标下得到了有效的表现。

    Nov, 2018

  • 生成对抗网络（GANs）的收敛问题

    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

  • 贝叶斯生成对抗网络

    本研究提出了基于贝叶斯公式的 GAN 模型，通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重，在不需要特征匹配或使用小批量区分等标准干预的情况下，实现半监督和无监督的学习效果，避免了模式崩塌的问题，并在多个基准数据集上取得了最佳性能。

    May, 2017

  • 结构式生成对抗网络

    该论文提出了一种基于两个独立潜变量的结构化生成式对抗网络，通过两个博弈过程最小化 y 和 z 的重构误差，并且提高了半监督条件下的图像分类精度以及图像生成质量。

    Nov, 2017

  • RareGAN: 生成罕见类别的样本

    本研究提出了 RareGAN，一种新的合成方法，通过使用带标签和未标记数据进行更好的泛化，请求最有用的标签，以及加权损失函数来倾向于学习罕见类，解决了针对标签预算下罕见类非完全标记的数据集学习生成式对抗网络的问题，并在不同应用中实现了比以前更好的保真度和多样性权衡。

    Mar, 2022

  • 淬炼对抗网络

    通过引入一种简单的方法，使真实数据分布经过一个‘透镜’传达给辨别器，让生成器逐步揭示出更多细节特征，改善了 GAN 训练的质量、稳定性和收敛速度，对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。

    Feb, 2018

  • 在知识表示学习中应用 GAN 进行负采样

    本文提出了一个基于对抗生成网络的知识表示学习框架，利用生成器获得高质量的负样本，通过判别器学习知识图谱中实体和关系的嵌入，进而提高传统模型的知识表示学习能力。实验结果表明，该框架在三元组分类和链接预测任务上优于基线模型。

    Sep, 2018