- 文本到图像合成中的语义关联对抗学习
本研究提出了一种新的方法,改进了生成对抗网络(GANs)训练的能力,可以根据文本输入合成多样的图像,这种方法基于条件版本的 GANs,扩展了前人利用判别器中的辅助任务,通过负样本采样来构造积极和消极的训练样例,通过牛津 102 花卉数据集的 - 关于 GAN 隐含假设的讨论
研究表明,生成对抗网络(GANs)在实践中存在一些问题,可能与常见但未经证实的假设相关;提出了对 GANs 属性和概率模型研究轨迹的影响,并提出了一个规避这些问题的替代方法。
- 对抗神经主题模型
提出了基于生成对抗网络的话题模型,称为 Adversarial-neural Topic Model(ATM)。ATM 可以在生成语义话题的同时,生成单词级别的语义表示,并成功应用于开放领域事件提取。
- 弱凸弱凹极大极小问题的一阶收敛理论
本研究考虑了一类非凸非凹极值问题的一阶收敛理论和算法,它在机器学习中有广泛的应用,包括训练生成式对抗网络(GAN)。我们提出了一种算法框架,通过解决一系列强单调变分不等式,证明了所提出的方法的一阶收敛性和收敛率,并在 GAN 的训练中证明了 - 基于生成对抗网络的图半监督学习
研究使用生成式对抗网络来帮助半监督图学习,提出 GraphSGAN 方法,在该方法中,生成器和分类器网络进行竞争性博弈,生成器通过在子图之间的低密度区域生成假样本来平衡,分类器通过隐式考虑子图密度属性来区分真实样本和假样本。实验结果表明,G - MM带有条件对抗网络的用户指导下深度动漫线条着色
该研究提出了一种基于深度有条件敌对生成网络和本地特征网络的漫画线画自动上色方法,通过训练更加真实的图像数据,获得更好的视觉效果。
- SIGIR生成对抗网络用于信息检索:基础与进展
本教程讨论了 GAN 技术及其在不同信息检索场景下的离散数据拟合的变体,着重介绍了 IRGAN 的基本 GAN 框架和直接应用在信息检索中拟合单个 ID 数据分布,以及 GAN 在生成文本和图形数据等方面的解决方案,并介绍了 IRGAN 和 - GAIN: 使用生成对抗网络进行缺失数据插补
本文提出了一种新的通过使用生成对抗网络 (GAN) 框架来填补缺失数据的方法,称为生成对抗填补网络 (GAIN)。通过给 D 提供一些额外的信息,即提示向量,我们测试了我们的方法,并发现 GAIN 显著优于现有的插值方法。
- 散射变换下基于对抗生成网络的反问题
本研究使用 Lipschitz 连续的 embedding 以及 wavelet Scattering transform 计算深度卷积生成网络,不需要被鉴别器或编码器优化,并且具有类似 GAN 或 VAE 的属性。
- CVPR使用切片瓦瑟斯坦距离进行生成建模
本篇论文提出了一种基于随机投影的生成模型,该模型较传统的 GAN 模型更加稳定和精确,采用的 Wasserstein 距离作为度量计算生成样本的真实性,可以得到更准确的生成结果。
- 应用最优输运改进 GANs
本文介绍了新兴的生成对抗网络 -- 优化输运生成对抗网络,提升了图像生成模型的稳定性和生成效果,主要特点是利用 adversarially learned feature space 来定义 mini-batch energy distan - 神经文本生成:回顾、现状与未来
本文系统调查了近期神经文本生成模型的发展,并在两个着名数据集上进行基准实验,讨论其性质和实践结果。
- 生成对抗网络在图像合成中的介绍
本文提供了生成对抗网络在图像合成中的方法分类、文本到图像合成和图像到图像翻译的不同模型的回顾、以及一些评估指标及未来可能的研究方向。
- ICLR改进 Wasserstein GAN 的训练:一致性损失及其双重效应
本文提出了一种创新的方法来强制实现 WGAN 的训练过程中的 Lipschitz 连续性,并与最近的半监督学习方法之一进行了无缝连接,导致不仅产生比以前方法更好的照片真实样本,而且还出现了最新的半监督学习结果,其中我们的方法在仅使用 1,0 - ICMLn 个玩家可微分游戏的力学
本文介绍了用于解决许多深度学习模型中的问题的 Symplectic Gradient Adjustment (SGA) 算法,并提出了 Hamiltonian game 概念,使得 SGA 算法具有一定的保证,并在 GANs 等更广泛的游戏 - 利用上下文生成对抗网络进行人脸衰老
本文提出一种新颖的 C-GAN 模型,用于生成更贴合真实数据的老化人脸图像,并且该模型能够考虑到相邻年龄组之间的渐变变化,从而提高了跨年龄人脸验证的性能。
- AAAI通过泄露信息的对抗训练实现长文本生成
本文提出了一种名为 LeakGAN 的新框架来解决长文本生成中缺乏中间信息的问题,通过引入高级特征来指导生成模型,LeakGAN 在长文本生成和短文本生成任务中都表现出了较好的性能,并且无需监督学习即可隐式地学习句子结构。
- 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-Sh - GANs 是否真的学习了数据分布?一项实证研究
研究 GANS 是否可以准确学习目标分布,发现当判别器具有有限大小时,GAN 的训练目标可能无法防止模态崩溃。通过基于生日悖论的新测试方法,提供了实证证据证明当前的 GAN 方法不能完全学习目标分布的任何支持度数量的分布。
- 训练对抗判别器用于人群交叉通道异常事件检测
本文提出使用 GAN 来进行视频监控中的异常行为检测,通过将原始数据与运动信息相互转化来避免生成器学习平凡的恒等函数,并且在标准基准测试中达到了比之前最先进方法更好的效果。