生成对抗网络中的持续学习
机器学习
2017-05-24 v1 人工智能
机器学习
摘要
深度生成模型的发展使得高维数据分布的易处理学习成为可能。虽然所采用的学习过程通常假设训练数据是从感兴趣的分布中独立同分布(i.i.d.)抽取的，但有时可能需要对按顺序观测到的不同分布进行建模，例如随着时间推移遇到不同类别的情况。尽管深度生成模型的条件变体允许通过单个网络以解耦方式对多个分布进行建模，但当这些分布被顺序遇到时，它们容易受到灾难性遗忘的影响。在本文中，我们将近期减少灾难性遗忘的工作适配到在一系列不同分布上训练生成对抗网络的任务中，从而实现持续的生成建模。
引用
@article{arxiv.1705.08395,
title = {Continual Learning in Generative Adversarial Nets},
author = {Ari Seff and Alex Beatson and Daniel Suo and Han Liu},
journal= {arXiv preprint arXiv:1705.08395},
year = {2017}
}