生成对抗网络（GANs）的收敛问题
机器学习
2018-07-02 v1 机器学习
摘要
生成对抗网络（GANs）是一种用于生成建模的新方法，该任务的目标是学习真实数据点的分布。它们通常难以训练：GANs 与机器学习中的许多技术不同，最好将其描述为一个判别器与生成器之间的二人博弈。这导致了训练过程的不稳定性，以及总体上对 GANs 如何收敛、若收敛则收敛到何处的缺乏理解。本学位论文旨在为数学家提供一份合适的 GANs 理论阐述，突出正面与负面结果。这涉及识别训练 GANs 时的问题，以及 GANs 的拓扑与博弈论视角如何促进我们的理解并改进近年来的技术。
引用
@article{arxiv.1806.11382,
title = {Convergence Problems with Generative Adversarial Networks (GANs)},
author = {Samuel A. Barnett},
journal= {arXiv preprint arXiv:1806.11382},
year = {2018}
}
备注
47 pages, 4 figures