ICMLApr, 2022

WGAN-GP 在推荐中的应用及 GAN 方法的相关性探讨

PDF
TL;DR本文探讨了用 WGAN-GP (Wasserstein GAN with Gradient Penalty) 建立推荐系统的应用，提出了一种基于 WGAN-GP 的推荐系统叫 CFWGAN-GP，实现了在实际数据集上的评测，结果竞争力与当下最先进的 GAN 方法相当，但从准确度角度来看，没有证据表明使用 WGAN-GP 比原 GAN 具有显著优势。此外，我们发现经过调整的概念上更简单的方法明显优于 GAN 模型，对此种模型的使用提出了疑议。
发现论文，激发创造
  • 通过局部评价器与多模态生成模型提升路径规划性能

    本文提出了一种利用 Wasserstein 生成对抗网络（WGANs）加速未知场景中机器人路径规划任务的新方法，该方法将 WGAN-GP 与连续潜在空间的变分自动编码器相结合，涉及到简化配置空间，使用同调秩测度评估重构的配置空间以及一种新的机器人配置空间的转换等关键技术

    Jun, 2023

  • 改进的 Wasserstein GANs 训练

    提出了一种比传统的 WGAN 更好的 GAN 训练方法，使用正则化替代权重截取，通过惩罚评判器对其输入梯度的范数，可以实现各种 GAN 结构的稳定训练和高质量生成。

    Mar, 2017

  • 基于 Wasserstein GAN 的人脸超分辨率

    本文比较了在单幅图像超分辨率上使用 Wasserstein 距离和其他训练目标时，各种 GAN 架构的表现，结果表明，带梯度惩罚的 Wasserstein GAN（WGAN-GP）提供了稳定且收敛的 GAN 训练，Wasserstein 距离是衡量训练进展的有效指标。

    May, 2017

  • 量子 Wasserstein 生成对抗网络

    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

  • 从 GAN 到 WGAN

    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

  • 用于数据稀缺光谱应用的生成对抗网络

    本文介绍了生成对抗网络在合成光谱数据方面的应用，提出了改进的 Wasserstein GANs 来避免模型崩溃，并证明了利用 CWGAN 数据增强可充分提高性能，同时显示 CWGAN 在低数据量条件下可作为简单 FFNN 的代理模型。

    Jul, 2023

  • GS-WGAN: 一种梯度消毒方法用于学习差分隐私生成器

    本文提出了 Gradient-sanitized Wasserstein Generative Adversarial Networks（GS-WGAN）模型，能够处理高度敏感的数据，具备严格的隐私保障，并通过大量实验证明，相比其他方法有更好的效果。

    Jun, 2020

  • 一种基于条件深度学习的新型拓扑优化方法

    本文提出一种基于条件瓦瑟斯坦生成对抗网络的优化拓扑结构方法，与传统算法相比，该方法计算代价极低，只需要通过深度卷积神经网络模拟限定拓扑优化条件的全局设计空间，且得到的优化方案可以得到验证。

    Jan, 2019

  • 使用 Wasserstein 生成对抗网络设计蒙特卡罗模拟

    该论文介绍了一种新的方法使用生成对抗网络生成接近真实经济数据的人工数据，而且可以限制研究者的操作，以评估某种统计方法在特定数据集上的性能，从而提高研究的可靠性。

    Sep, 2019

  • 使用带完全梯度惩罚的条件生成对抗网络解决基于物理的反问题

    本文提出了一种基于深度学习的条件瓦瑟斯坦生成对抗网络方法，通过利用推断向量的先验分布和基于物理学的前向模型生成训练数据，学习推断向量的条件密度分布并生成样本，实现求解相关反问题的目的。

    Jun, 2023