Mar, 2023

自协同学习：生成器与鉴别器之间的协作

PDF
TL;DR本文提出了一种自洽学习的框架，利用生成对抗网络的生成模型和判别模型的博弈优化，使两者协同训练，避免了 GAN 训练不稳定的问题，并在句子语义匹配问题上实现了较好的性能。
generative adversarial networksself-consistent learningadversarial processdiscriminative modelssentence semantic matching
发现论文，激发创造
  • GAN 的在线自适应课程学习

    提出了一种基于多个鉴别器网络来训练生成器的创新框架，通过更新分配给每个判别器的混合权重来反映生成器的进展情况，实验结果表明能够通过学习曲线来提高样本的质量和多样性。

    Jul, 2018

  • 生成协作网络用于自然语言生成

    本文介绍了一种使用协作式判别器架构来生成逼真文本样本的生成合作网络方法，并通过各种有效的解码方案实现了两项主要 NLG 任务的最优结果。

    Jan, 2022

  • GAN 生成器之间的共享损失

    利用多个生成器竞争、同时与鉴别器的交互来解决传统 GAN 中的模式崩溃问题，大幅度减少训练时间，同时不影响其性能。

    Nov, 2022

  • 使用比较歧视的自对抗学习进行文本生成

    提出了一种新的自我对抗学习（SAL）范式，通过使用相对鉴别器作为 GAN 的鉴别器，并引入自我改进奖励机制，成功地解决了 GAN 在生成文本方面的奖励稀疏性和模式崩溃问题，并在文本生成基准数据集上取得了更高质量和更稳定的性能表现。

    Jan, 2020

  • 对抗回馈循环

    本文提出了一种新颖的方法，在测试时显式利用判别器的反馈模块并结合卷积块进行图像生成，旨在提升生成器的结果，实验结果表明这种方法可应用于超分辨率和图像生成领域并提高现有网络的性能。

    Nov, 2018

  • 自监督 GAN 抵御遗忘

    本文介绍了如何通过自我监督方法对 GAN 模型中的鉴别器进行改进，以避免其出现遗忘现象，提高模型性能。

    Oct, 2018

  • 生成对抗网络中的协同采样

    本文提出了一种协同抽样方案，使得生成器和鉴别器通过在生成器的特定层使用梯度更新来优化生成样本，通过实验验证在合成和图像数据集上，这种方法可以在定量和定性上提高生成的样本，提供了 GAN 抽样中的一种新的自由度。

    Feb, 2019

  • 通过对比学习的混合判别生成训练

    该论文通过能量基模型的混合判别 - 生成式训练，展现出对比学习和监督学习之间的直接联系，并且提出的能量基损失函数的逼近方法有着比现有方法更好的分类准确性、鲁棒性、分布检测和校准性能。

    Jul, 2020

  • 用于生成对抗网络的动态遮挡鉴别器

    从在线持续学习的角度出发，提出了一种新颖的 GAN 方法，通过将生成的数据视为流来训练鉴别器模型，并自动检测其阻塞并动态遮罩其特征，使其能够适应临时变化的生成数据分布。实验结果表明，该方法优于现有的最先进方法。

    Jun, 2023

  • 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