CASS：基于自编码器的交叉对抗源分离
机器学习
2019-05-27 v1 信号处理
机器学习
摘要
本文提出一种基于自编码器的交叉对抗源分离(CASS)框架，这是一种旨在通过对抗学习和自编码器拟合将包含多分量混合的输入信号分离为各独立分量的新模型。CASS 将自编码器(AEs)和生成对抗网络(GANs)等流行的生成网络统一于单一框架中。对输入信号进行滤波并重建第 个目标分量的基本构建块是一对深度神经网络 和 ，分别作为降维的编码器与分量重建的解码器。解码器 作为生成器，由判别器网络 增强，该判别器通过对抗学习偏好第 个给定数据集中第 个分量的信号结构作为引导。与现有自编码器中独立训练每个自编码器、或 GANs 中共享同一生成器的做法不同，我们引入交叉对抗训练，强调任意网络对 之间的对抗关系，尤其在目标分量共享相似数据结构时达到最先进的性能。
引用
@article{arxiv.1905.09877,
title = {CASS: Cross Adversarial Source Separation via Autoencoder},
author = {Yong Zheng Ong and Charles K. Chui and Haizhao Yang},
journal= {arXiv preprint arXiv:1905.09877},
year = {2019}
}