Coulomb GANs：通过势场实现可证明最优的纳什均衡
机器学习
2018-01-31 v3 计算机科学与博弈论
机器学习
摘要
生成对抗网络 (GANs) 已发展成为生成逼真图像最成功的无监督技术之一。尽管近期研究表明 GAN 训练能够收敛，但 GAN 模型往往陷入局部纳什均衡，导致模式崩溃或无法建模目标分布。我们引入了 Coulomb GANs，将 GAN 学习问题构建为带电粒子的势场，其中生成样本被训练集样本吸引但彼此排斥。判别器学习一个势场，而生成器通过沿由势场梯度确定的向量（力）场移动其样本来降低能量。通过降低能量，GAN 模型学习根据整个目标分布生成样本，而不仅仅覆盖其部分模式。我们证明了 Coulomb GANs 仅拥有一个纳什均衡，且该均衡是最优的，即模型分布等于目标分布。我们在多种图像数据集上展示了 Coulomb GANs 的有效性。在 LSUN 和 celebA 数据集上，Coulomb GANs 确立了新的 state of the art (SOTA)，并生成了前所未有的多样化样本。
引用
@article{arxiv.1708.08819,
title = {Coulomb GANs: Provably Optimal Nash Equilibria via Potential Fields},
author = {Thomas Unterthiner and Bernhard Nessler and Calvin Seward and Günter Klambauer and Martin Heusel and Hubert Ramsauer and Sepp Hochreiter},
journal= {arXiv preprint arXiv:1708.08819},
year = {2018}
}
备注
Published as a conference paper at ICLR (International Conference on Learning Representations) 2018. Implementation available at https://github.com/bioinf-jku/coulomb_gan