Mar, 2024

招标画像：基于竞标的多人生成对抗神经网络训练

PDF
TL;DR提出一种基于拍卖的多人生成对抗网络训练方法，以减轻 GANs 的模式崩溃问题。通过将生成对抗网络的两人博弈扩展为多人博弈，利用类似拍卖的过程，通过其他参与者提交的出价确定每个模型的价值。
auction-inspiredmulti-player generative adversarial networksmode collapsediversitymulti-player game
发现论文，激发创造
  • 利用自适应多对抗训练克服模式崩溃

    本研究以新的数据生成过程为基础，揭示了生成对抗网络（GAN）生成器模式崩溃的驱动因素是判别器对先前样本的分类准确性的遗忘，即连续学习中的灾难性遗忘现象。为了解决此问题，我们引入了一种自适应生成额外判别模式的训练方法，可以减轻模式崩溃并提高 GAN 评估的标准度量。

    Dec, 2021

  • 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

  • 多生成器生成对抗网络

    本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

    Aug, 2017

  • AdaGAN：提升生成式模型

    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

  • 多智能体多元生成对抗网络

    介绍一种名为 MAD-GAN 的多智能体生成对抗网络架构，可以解决 GAN 领域的模式崩溃问题，实验表明该架构能产生高质量的样本且具有较强的去卷积能力。

    Apr, 2017

  • 生成式对抗网络

    提出了一种新的深度生成模型 —— 多对抗生成网络（GMAN），以实现高质量图像的生成，相比标准 GAN，使用了多个判别器进行训练，无需调整损失函数，实现了更快、更有效的训练。

    Nov, 2016

  • MGGAN：使用流形引导训练解决模式崩溃

    本文提出了一种新的算法，即基于流形引导的生成式对抗网络（MGGAN），其利用现有 GAN 结构上的引导网络，使生成器能够学习数据分布的所有模式，以解决模式塌陷问题而不损失图像质量。

    Apr, 2018

  • 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

  • SGAN：一种生成对抗网络的替代训练方法

    本研究探讨了一种名为 SGAN 的备选训练方法，通过该方法，多个对抗的 “本地” 网络对可独立进行训练，以便 “全局” 监督网络可以针对它们进行训练，以提高模式覆盖性能。实验结果表明，该方法在减轻模式崩溃、稳定收敛和加速收敛方面都表现出优于标准训练的性能。

    Dec, 2017

  • 生成对抗并行

    本文提出了一种新的训练框架 Generative Adversarial Parallelization，通过交换鉴别器，使多个 GAN 同时训练，消除了生成器和鉴别器之间的紧密耦合，从而提高了收敛性和模态覆盖率，并提出了改进的 Generative Adversarial Metric，可以评分单个 GAN 或其在 GAP 模型下的集合。

    Dec, 2016