对偶 GAN
机器学习
2017-06-21 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
生成对抗网络（GAN）是一种基于样本对分布进行建模的极具前景的技术。然而众所周知，由于其极大极小形式的本质，GAN 训练存在不稳定性。本文中，我们探索了通过对判别器进行对偶化来解决不稳定性问题的方法。我们从线性判别器入手，在此情况下共轭对偶性提供了一种机制，可将鞍点目标重新表述为一个极大化问题，使得该“对偶 GAN”的生成器与判别器协同作用。随后，我们展示了如何将这一直觉推广至非线性形式。对于具有线性判别器的 GAN，我们的方法能够消除训练中的不稳定性；而对于具有非线性判别器的 GAN，我们的方法为常用的 GAN 训练算法提供了一种替代方案。
引用
@article{arxiv.1706.06216,
title = {Dualing GANs},
author = {Yujia Li and Alexander Schwing and Kuan-Chieh Wang and Richard Zemel},
journal= {arXiv preprint arXiv:1706.06216},
year = {2017}
}