Apr, 2024

基于条件生成对抗网络的广义回归

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。
regressionconditional generative adversarial networkscurve-fittinggeneralized linear modelssource code
发现论文，激发创造
  • 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

  • MCGAN：基于回归的生成器损失增强的 GAN 训练

    生成对抗网络（GAN）已经成为一种生成高保真数据的强大工具，并且采用监督方法提出了 Monte Carlo GAN（MCGAN）算法，以解决现有方法在生成器训练上缺乏监督导致的振荡与性能不佳的问题，并且数值结果表明 MCGAN 在质量、准确性、训练稳定性和学习潜在空间等方面明显且一致地改进了现有的 GAN 模型。

    May, 2024

  • 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

  • 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

  • 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

  • LARGE: 基于 GAN 语义的潜变量回归

    本文提出了一种新的利用少样本或弱监督方式解决回归任务的方法，该方法利用生成式对抗网络（GANs）的语义信息表征能力，实现了将预先训练好的 GANs 转化成回归模型的操作，并证明了其在众多数据集和领域上的高效性。

    Jul, 2021

  • 通过条件生成式对抗网络进行时间序列模拟

    本文提出了使用条件生成对抗网络（CGAN）学习和模拟时间序列数据的方法，探讨 GAN 和神经网络与现有统计方法之间的联系，最终展示了 CGAN 在市场风险分析中的应用，包括历史数据的学习、风险预测分析以及价值风险和预期缺失计算等方面，并通过回测结果证明其优于历史模拟法。

    Apr, 2019

  • 正则化生成对抗网络

    提出一个基于对抗生成网络的新模型 RegGAN，该模型可以在生成样本的同时训练三个网络 —— 一个生成器和两个判别器，以便从与训练集概率分布不同的概率分布中生成样本，并可用于学习拓扑学中的某些先验概念。

    Feb, 2021

  • 使用生成对抗网络进行条件独立性检验

    提出了一种以生成对抗网络为基础的新的假设检验统计量方法，用于检测条件相关性，该方法在高维特征空间下，直接逼近编码 null 假设的条件分布，并最大程度地提高其功率，不需对分布或特征依赖形式作任何假设，在高维数据的生成及遗传数据疾病标记研究方面具有显著优势。

    Jul, 2019

  • 条件生成对抗网络

    本文介绍了一种新颖的生成模型 —— 条件生成对抗网络，可以通过给生成器和判别器同时提供我们希望对条件进行的数据 y 来构建。本文展示了这个模型可以根据类别标签生成 MNIST 数字，并提供了一个多模态的模型应用示例，演示了如何生成不属于训练标签的描述性标签。

    Nov, 2014