用于快速对抗优化的自适应散度
机器学习
2020-05-26 v1 机器学习
摘要
对抗优化（Adversarial Optimization, AO）提供了一种可靠且实用的方法，用于匹配两个隐式定义的分布，其中一个通常由真实数据样本表示，另一个由生成器定义。通常，AO 在优化的每一步都涉及训练一个高容量模型。在这项工作中，我们考虑计算密集型的生成器，对此类生成器训练高容量模型会带来巨大的计算成本。为解决该问题，我们引入了一类新颖的散度，其改变底层模型的容量，并能在从生成器抽取的样本数量方面实现显著加速。我们在多个任务上展示了所提散度的性能，包括调整物理模拟器的参数，即 Pythia 事件生成器。
引用
@article{arxiv.1912.00520,
title = {Adaptive Divergence for Rapid Adversarial Optimization},
author = {Maxim Borisyak and Tatiana Gaintseva and Andrey Ustyuzhanin},
journal= {arXiv preprint arXiv:1912.00520},
year = {2020}
}