生成式对抗网络的影响估计
该论文研究了无监督学习中生成模型的训练方法,提出了一种在对抗网络与似然训练之间进行混合训练的方法,其中使用深度可逆变换来解决概率和逆变换之间的冲突,实现了更好的生成样本和更高的似然性评估。
Jan, 2019
提出了一种简单的方法来评估生成对抗网络中生成的图像质量,通过定义与真实图像在鉴别器中的嵌入分布相关的高斯似然函数,并基于此定义两个简单的度量方式,从而得出一种适用于各种 GAN 的生成图像适应度的简单度量标准,CIFAR-10 上的实证结果证明了提出的度量和生成图像的质量之间的强相关性。
Jul, 2017
本文提出了首个针对生成模型的成员推断攻击方法,使用生成对抗网络检测过度拟合并识别训练数据,发现缺陷对于不同的训练参数有不同的灵敏度,防御方法不够有效并会导致生成模型在训练稳定性或样本质量方面表现较差。
May, 2017
本文提出了一种改进样本质量的新方法:在模型训练之前通过实例选择来改善经验数据分布,将模型容量重定向到高密度区域,从而提高样本保真度,降低模型容量要求和显著减少训练时间。
Jul, 2020
使用生成对抗网络黑盒设置进行成员推断攻击,探究其对隐私的影响,并发现攻击成功率较其他生成模型和判别模型要低,这呈现出 GAN 是否确实更为私密的有趣问题。
Oct, 2023
本文研究了生成对抗网络(GAN)如何从有限样本中学习概率分布,得到了 GAN 在一组 H"older 类定义的积分概率度量下的收敛速度和 Wasserstein 距离特殊情况下的学习率,并证明了当网络结构适当选择时,GAN 能够自适应地学习低维结构或具有 H"older 密度的数据分布。特别是对于集中在低维集合周围的分布,我们展示了 GAN 的学习速率不取决于高环境维度,而取决于较低的内在维度。我们的分析基于一种新的神谕不等式,将估计误差分解为生成器和鉴别器逼近误差和统计误差,这可能是具有独立研究价值的。
May, 2021
通过样本分布和经验代理之间的平滑 JSD 差异,提出了一种新的训练目标,基于核的 GAN,旨在克服 GAN 的训练困难,提高其实际效果。
May, 2017
使用机器学习、生成对抗网络等方法,我们提出了一种无需标签数据生成恶意活动样本的方法来提高非法活动检测的准确率和防御系统的鲁棒性,将其应用于反洗钱和推荐系统两个现实场景,并通过训练新的防御系统来捕获合成攻击。
Jul, 2023