关键词wasserstein-1 distance
搜索结果 - 7
- 关于生成对抗模型在低内在数据维度下的统计特性
尽管生成对抗网络(GANs)在实证方面取得了显著的成功,但其统计准确性的理论保证仍然相对悲观。本论文试图在理论和 GANs 以及双向 GANs(BiGANs)的实践之间架起桥梁,通过推导出关于估计密度的统计保证,以数据的固有维度和潜在空间为 - 最大偏离经验分布的保证最优生成建模
使用生成建模方法,本文提供了关于生成模型训练的理论洞察力,重点强调数据生成分布与训练数据生成分布之间的误差应随着样本量趋近无穷而趋近于零,并确保训练数据生成分布与任何复制训练数据样本的分布之间足够远。
- 谱逼近的矩、随机游走和极限
研究通过给出(有噪声的)矩的测量值来近似一维分布的问题的下限。
- 强化学习中的对抗内在动机
论文研究了使用 Wasserstein-1 距离优化策略在强化学习特别是目标导向学习中的应用,提出了一种基于 Adversarial Intrinsic Motivation 的算法并应用于 Hindsight Experience Rep - 基于模型的策略优化与无监督模型适应
探究建模强化学习方法中真实和模拟数据之间的分布差异所带来的性能下降问题,并提出了一种全新的模型自适应框架 AMPO,使用 Wasserstein-1 距离来实现模型适应,结果在多项连续控制测试任务中实现了最先进的性能。
- 通过 Wasserstein 域混淆进行强化学习的视觉迁移
提出一种新的在强化学习中用于视觉迁移的算法 WAPPO,其通过学习对齐源任务和目标任务中提取特征的分布,通过 Wasserstein 混淆目标来近似和最小化源域和目标域的特征分布之间的 Wasserstein-1 距离,并在 Visual - GANE: 生成对抗网络嵌入
本文提出了一种使用基于对抗生成网络的方法进行网络嵌入的模型,通过引入 Wasserstein-1 距离和三种不同的变体来解决无监督学习和有监督学习之间的鸿沟,实现在低维嵌入向量空间中保留网络中的第一和第二阶接近度,实验结果表明,在链接预测、