对抗式特征学习
机器学习
2017-04-05 v7 人工智能
计算机视觉与模式识别
神经与进化计算
机器学习
摘要
生成对抗网络（GANs）框架能够学习从简单潜在分布映射到任意复杂数据分布的生成模型，这一点已在经验上得到证明，且有令人信服的结果表明此类生成器的潜在空间捕捉了数据分布中的语义变化。直观上，训练用来给定数据预测这些语义潜在表示的模型，可作为在语义相关的辅助问题中的有用特征表示。然而，在其现有形式下，GANs无法学习逆映射——将数据投影回潜在空间。我们提出双向生成对抗网络（BiGANs）作为学习该逆映射的方法，并证明所得的学习特征表示对辅助监督判别任务有用，且与当代无监督和自监督特征学习方法相比具有竞争力。
引用
@article{arxiv.1605.09782,
title = {Adversarial Feature Learning},
author = {Jeff Donahue and Philipp Krähenbühl and Trevor Darrell},
journal= {arXiv preprint arXiv:1605.09782},
year = {2017}
}
备注
Published as a conference paper at ICLR 2017. Changelog: (v7) Table 2 results improved 1-2% due to averaging predictions over 10 crops at test time, as done in Noroozi & Favaro; Table 3 VOC classification results slightly improved due to minor bugfix. (See v6 changelog for previous versions.)