边界探寻生成对抗网络
机器学习
2018-02-23 v4 机器学习
摘要
生成对抗网络（GANs）是一种学习框架，它依赖于训练一个判别器来估计目标分布与生成分布之间的差异度量。通常形式的 GAN 依赖于生成样本相对于生成参数完全可微，因此不适用于离散数据。我们引入了一种使用离散数据训练 GAN 的方法，该方法利用判别器估计的差异度量为生成样本计算重要性权重，从而为训练生成器提供策略梯度。这些重要性权重与判别器的决策边界有很强的联系，我们将此方法称为边界探寻 GAN（BGANs）。我们通过离散图像和基于字符的自然语言生成，展示了所提算法的有效性。此外，边界探寻目标可扩展到连续数据，用于提高训练的稳定性，我们在 Celeba、大规模场景理解（LSUN）卧室数据集和无条件的 Imagenet 上对此进行了演示。
引用
@article{arxiv.1702.08431,
title = {Boundary-Seeking Generative Adversarial Networks},
author = {R Devon Hjelm and Athul Paul Jacob and Tong Che and Adam Trischler and Kyunghyun Cho and Yoshua Bengio},
journal= {arXiv preprint arXiv:1702.08431},
year = {2018}
}