一种面向生成对抗网络的在线学习方法
机器学习
2017-06-13 v1 机器学习
摘要
我们考虑使用生成对抗网络（Generative Adversarial Network, GAN）训练生成模型的问题。尽管 GAN 能够准确地对复杂分布进行建模，但由于困难的极小极大优化问题导致的不稳定性，其训练是出了名的困难。在本文中，我们将训练 GAN 的问题视为在零和博弈中寻找混合策略。基于在线学习的思想，我们提出了一种名为 Chekhov GAN 1 的新训练方法。在理论方面，我们证明了我们的方法可证明地收敛于半浅层 GAN 架构（即判别器为单层网络且生成器任意的架构）的均衡。在实践方面，我们开发了一种由理论结果指导的高效启发式方法，并将其应用于常用的深度 GAN 架构。在几个现实世界任务中，与标准 GAN 训练相比，我们的方法表现出更好的稳定性和性能。
关键词
引用
@article{arxiv.1706.03269,
title = {An Online Learning Approach to Generative Adversarial Networks},
author = {Paulina Grnarova and Kfir Y. Levy and Aurelien Lucchi and Thomas Hofmann and Andreas Krause},
journal= {arXiv preprint arXiv:1706.03269},
year = {2017}
}