面向预测任务的对抗训练：确定性情形下的理论分析与局限
机器学习
2020-12-01 v3 机器学习
摘要
为训练深度神经网络以模拟处理序列的结果，可使用一种条件广义对抗网络（CGAN）的变体。他人已观察到 CGAN 即便对于确定性序列也能帮助改善结果，其中给定输入的处理仅关联一个输出。令人惊讶的是，我们基于 CGAN 在确定性地球物理处理序列上的测试相较于使用 损失并未产生实质性改进；我们在此提出首个理论解释其原因。我们的分析从非确定性情形推进到确定性情形。这引导我们开发了一种对抗式训练内容损失的方法，该方法在我们的数据上给出了更好的结果。
引用
@article{arxiv.2011.00835,
title = {Adversarial training for predictive tasks: theoretical analysis and limitations in the deterministic case},
author = {Thibault Lesieur and Jérémie Messud and Issa Hammoud and Hanyuan Peng and Céline Lacombe and Paulien Jeunesse},
journal= {arXiv preprint arXiv:2011.00835},
year = {2020}
}
备注
NeurIPS 2020, ICBINB Workshop