生成对抗模型的复合泛函梯度学习
机器学习
2018-06-11 v2 机器学习
摘要
本文首先提出了一个不依赖于传统极小极大公式的生成对抗方法的理论。它表明，在强判别器下，可以学习到一个好的生成器，使得真实数据与生成数据分布之间的 KL 散度在每次泛函梯度步之后都有所改善，直至收敛到零。基于该理论，我们提出了一种新的稳定生成对抗方法。也从这一新视角对原始 GAN 提供了理论见解。图像生成上的实验显示了我们新方法的有效性。
引用
@article{arxiv.1801.06309,
title = {Composite Functional Gradient Learning of Generative Adversarial Models},
author = {Rie Johnson and Tong Zhang},
journal= {arXiv preprint arXiv:1801.06309},
year = {2018}
}
备注
ICML 2018