GAN训练中的数据精简
机器学习
2020-04-10 v1 神经与进化计算
摘要
我们研究以更少数据训练生成对抗网络（GANs）。训练数据集的子集可在降低训练资源需求（如时间与内存）的同时表达经验样本多样性。我们探究数据缩减量对生成器性能的影响，并衡量生成器集成的附加价值。除考虑独立GAN训练和生成器模型集成外，我们还考虑在名为Redux-Lipizzaner的进化GAN训练框架上进行缩减数据训练。Redux-Lipizzaner通过在空间二维网格上利用重叠的基于邻域的训练，使GAN训练更鲁棒且准确。我们使用MNIST和CelebA数据集在Redux-Lipizzaner上进行实证实验。
引用
@article{arxiv.2004.04642,
title = {Data Dieting in GAN Training},
author = {Jamal Toutouh and Una-May O'Reilly and Erik Hemberg},
journal= {arXiv preprint arXiv:2004.04642},
year = {2020}
}
备注
Chapter 14 of the Book "Deep Neural Evolution - Deep Learning with Evolutionary Computation"