- 改进 SCGAN 的相似性约束并学习更好的解耦表示
SCGAN 通过在生成对抗网络中添加生成图像和条件之间的相似性约束作为正则化项。我们理解 SCGAN 如何在更深层次上工作,该理解让我们意识到相似性约束类似于对比损失函数。我们相信,一个具有高理解力和智能的模型可以像人类一样通过结构和高级特 - DiffFlow:基于评分扩散模型和生成对抗网络的统一 SDE 框架
建议了一个统一理论框架,将基于得分的扩散模型和生成对抗网络合并起来,提出了一个名为 “鉴别器去噪扩散流” 的新 SDE,通过调整不同得分项之间的相对权重,可以在 SDMs 和 GANs 之间实现平滑转换,同时保持边际分布不变,提供了新的算法 - 基于深度强化学习的逃避式生成对抗网络用于僵尸网络检测
本文提出一种名为 RELEVAGAN 的 GAN 模型,结合深度强化学习(DRL)产生语义感知的样本以抵抗对基于机器学习的僵尸网络检测器的对抗性规避攻击。
- FragmGAN: 面向片段数据插值和预测的生成对抗网络
通过利用响应模式的结构,我们提出了基于 Generative Adversarial Nets (GAN) 的统一灵活框架,旨在同时处理片段数据的插补和标签预测,与其他基于生成模型的插补方法不同的是,该方法具有理论保证并且可以处理 Miss - 基于生成对抗网络的分类型电子病历填补
本文提出了一种用于电子医疗记录中缺失数据生成和填补的新方法,该方法基于 GAN 技术,可以有效地提高数据预测精度。
- MM6G 自学边缘智能技术探索
本文旨在探讨 6G 边缘本地人工智能网络中的关键需求和挑战,并介绍了一种基于自我监督生成对抗网络的自学习体系结构,可以在网络边缘实现自动数据学习和合成,实现较大的性能提升。最后,讨论了自学习可实现的未来趋势和关键研究问题。
- CounteRGAN:使用剩余生成对抗网络生成逼真对抗事实
使用生成对抗网络(GANs)提出一种称为 CounteRGAN 的方法,以提高虚拟出的因果性的真实性和可操作性,并在实时情况下提高可行性来提供有意义的解释。
- 生成对抗网络(GAN)的数学介绍
本文从数学角度提供了生成式对抗网络(GAN)的概述,以更习惯数学语言的学生为目标,介绍了 GAN 的数学基础、应用及技术发展。
- CVPR级联 EF-GAN:局部聚焦渐进式人脸表情编辑
本文介绍一种名为 Cascade Expression Focal GAN (Cascade EF-GAN) 的神经网络,该网络使用本地表情聚焦进行逐步的面部表情编辑,通过将大面部表情转化分成多个级联小的表情转化以减少重叠伪影并在处理大幅度 - 随机矩阵理论证明深度学习对 GAN 数据的表示行为类似于高斯混合模型
通过理论和实验证明,深度生成对抗网络产生的数据的 DL 表示是集中随机向量类中的随机向量。同时,Gram 矩阵能够描述 GAN 数据的 DL 表示的前两个统计矩,并可用于多种标准分类器。
- AAAICatGAN:基于分类感知的逐层进化学习的生成对抗网络用于类别文本生成
本文提出了一种基于类别感知的 GAN 模型,通过分类感知模型和分层进化算法,实现高质量分类文本的生成,同时解决了传统 GAN 模型难以训练,样本崩塌等问题,并在实验中表现优于现有大多数同类模型。
- COLING潜在空间中的对抗学习用于多样对话生成
本文提出了一个基于生成对抗网络的两步框架,通过自编码学习语句的有意义表征,并学习将输入映射到响应表征上,最终将其解码为响应句子,经定量和定性评估证明相对于现有的最先进方法,该模型生成的响应更具流畅性、相关性和多样性。
- 通过对抗训练生成可信好友以提高社交推荐
本文提出了一种基于生成式对抗网络(GAN)的端到端社交推荐框架,该框架可以适应地生成可靠的好友,从而改善了显式社交关系的稀疏性和不可靠性问题,提升了社交推荐的性能表现,实验研究表明该框架的优越性和生成可靠好友的积极影响。
- EMNLP使用生成对抗网络从在线文本中提取开放事件
本文提出了一个基于对抗生成网络的事件提取模型,可以对长文本进行结构化表示,实验结果显示该模型在三个数据集上的表现优于基线模型,尤其在新闻文章数据集上提高了 15% 的 F - 度量值。
- G-PATE:基于教师鉴别器私有聚合的可扩展差分隐私数据生成器
本文提出了一种新的基于 PATE 框架的隐私保护数据生成模型(G-PATE),它利用生成对抗网络生成数据,并结合隐私聚合机制以确保强大的隐私保证,相对于现有方法,G-PATE 显著提高了隐私预算的使用效率。
- SGANVO: 堆叠生成对抗网络进行无监督的深度视觉里程计与深度估计
该研究提出了一种新的无监督网络系统用于视觉深度和自我运动估计:堆叠生成对抗网络 (SGANVO)。该系统由一堆 GAN 层组成,其中最底层估计深度和自我运动,而更高的层估计空间特征,并且由于在层之间使用了循环表示,可以捕捉时间动态。该方法在 - ICML深度压缩感知
本文提出了一种结合压缩感知(CS)和神经网络生成器的新型框架,通过元学习联合训练生成器和优化过程,大大改善了信号恢复的速度和性能,并针对不同目标训练测量并从 CS 视角提出提高生成对抗网络(GANs)的新方法。
- 可微分的游戏机制
本文针对深度学习建立在梯度下降收敛局部极小值的基础上这一保证在生成对抗网络等存在多个交互损失的情况下失效问题,研究了 N 人不可微分博弈的动态性,提出了一种新的算法 Symplectic Gradient Adjustment (SGA) - CVPR最大切片 Wasserstein 距离及其在 GAN 中的应用
本研究研究生成式对抗网络(GAN)和变分自编码器在分布建模方面的应用,着重研究了可靠性和效率,提出了一种新的距离度量方法:最大切片 Wasserstein 距离,能够更有效地提高 GAN 的训练效果。
- ICLR利用排斥损失函数提高 MMD-GAN 的训练
该研究针对 GAN 使用 MMD 作为损失函数进行了改进,提出了具有排斥作用的损失函数和一种边界高斯核,用于稳定 MMD-GAN 的训练,实验结果表明该方法在无监督图像生成任务上表现良好,取得了 16.21 的 FID 分数。