Apr, 2024

基于条件生成对抗网络的广义回归

HTML
PDF
TL;DR利用条件生成对抗网络来解决回归问题，通过学习预测函数的输出与输入的配对在训练数据集中无法与特征-标签对区分的方式，提出了一种对回归问题的新方法，相比传统回归方法，该方法在拟合数据的分布上做出了更少的假设，具备更好的表示能力，并与统计学中的广义线性模型进行了类比，展示了如何将其扩展到神经网络，通过在多个合成和公开实际数据集上的实验证明了这种新方法优于标准回归的优势，尤其是在实际的重尾回归数据集中，为了使我们的工作更具可重复性，我们发布了源代码。
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

  • 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

  • 鲁棒性条件生成对抗网络

    该研究介绍了一种名为RoCGAN的新型条件GAN模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN在各种领域的表现都远优于现有的最先进的cGAN架构。

    May, 2018

  • 利用特征对比将半监督生成对抗网络推广到回归问题

    该论文将半监督生成对抗网络从分类问题推广到回归问题，并提出了特征对比的新损失函数，旨在提高神经网络训练的准确率，可以用于计算机视觉等领域的实际应用。

    Nov, 2018

  • 双生成对抗网络用于条件独立性测试

    本文研究高维条件独立性检验问题，在双生成对抗网络（GAN）的基础上提出了一种推理方法，通过多个转换函数的广义协方差度量的最大值来构建测试统计量，并采用数据分割和交叉拟合来实现理论保障条件的最小化。除了控制Type I错误和具有渐近一的能力外，我们的方法使用了倍增样本法，证明了在更弱且更实际可行的条件下比现有测试更可行，并且是如何利用GAN等最先进的深度学习工具来解决传统但具有挑战性的统计问题的一个具体例子。我们通过模拟和一个抗癌药物数据集的应用来展示了我们的测试的有效性。

    Jun, 2020

  • 用双投影生成对抗网络进行条件图像生成

    本论文提出了一个双重投影生成对抗网络(P2GAN)模型，学习在数据匹配和标签匹配之间平衡的方法，并通过改善条件生成式对抗网络(cGAN)模型中的配对方法解决了分类困难的问题，实验结果表明其在多个真实数据集上具有良好的效果。

    Aug, 2021

  • DuDGAN：通过双扩散提高类条件 GAN 的效果

    提出了一种新的GaN方法DuDGAN，通过采用双扩散噪声注入方法来实现类别有条件的图像生成。通过三个网络的联合训练，并对现有方法进行比较，实验结果表明，在性能方面，新方法优于现有条件GAN模型。

    May, 2023

  • Wasserstein生成回归

    提出一种新的非参数回归和条件分布学习的统一方法，该方法可以通过生成学习框架同时估计回归函数和条件生成器，使用深度神经网络模型来构建条件生成器，并能够处理多元结果和协变量问题，可以用于构建预测区间，并提供了理论保证以及在模拟和真实数据上的数值实验结果。

    Jun, 2023

  • 融合条件双模GAN和编程式弱监督

    我们通过使用标签模型生成的伪标签来实现一个噪声感知的分类器，利用噪声感知的分类器的预测结果训练标签模型并生成特定类别的图像。此外，我们还研究了在定义的不确定性预算内使用数据集子集来训练分类器对伪标签的影响。我们将该子集选择问题形式化为对伪标签熵的背包约束下的子模性最大化目标，进行了多个数据集的实验证明了我们方法相对于当前最先进的方法的有效性。

    Dec, 2023

  • 通过不变统计损失训练隐式生成模型

    通过无判别器方法训练一维隐式生成模型，然后扩展到多元情况，成功地学习真实分布并解决现有隐式方法存在的问题。

    Feb, 2024