AdaGAN：提升生成模型
机器学习
2017-05-25 v2 机器学习
摘要
生成对抗网络（GAN）（Goodfellow et al., 2014）是训练复杂数据（如自然图像）生成模型的有效方法。然而，它们以难以训练而著称，并可能遭受缺失模式问题，即模型无法在空间的某些区域生成样本。我们提出一种称为AdaGAN的迭代过程，其中每一步我们通过对重加权样本运行GAN算法，向混合模型中添加一个新组件。这受提升算法启发，其中许多潜在较弱的单个预测器被贪婪地聚合以形成强复合预测器。我们证明，如果每一步都是最优的，这种增量过程会在有限步数内收敛到真实分布，否则以指数速率收敛。我们还通过实验说明该过程解决了缺失模式问题。
引用
@article{arxiv.1701.02386,
title = {AdaGAN: Boosting Generative Models},
author = {Ilya Tolstikhin and Sylvain Gelly and Olivier Bousquet and Carl-Johann Simon-Gabriel and Bernhard Schölkopf},
journal= {arXiv preprint arXiv:1701.02386},
year = {2017}
}
备注
Updated with MNIST pictures and discussions + Unrolled GAN experiments