使用约束对抗网络高效生成结构化对象
机器学习
2020-12-01 v2 人工智能
机器学习
摘要
生成对抗网络（GAN）难以生成诸如分子和游戏地图等结构化对象。问题在于结构化对象必须满足硬性要求（例如，分子必须在化学上是有效的），而这些要求仅从样本中难以获得。作为补救，我们提出了约束对抗网络（CAN），它是 GAN 的一种扩展，在训练过程中将约束嵌入到模型中。这是通过根据生成器分配给无效结构的质量按比例对其进行惩罚来实现的。与其他生成模型不同，CAN 支持对有效结构的高效推断（以高概率），并允许在推断时开启或关闭学习到的约束。CAN 处理任意逻辑约束，并利用知识编译技术来高效评估模型与约束之间的不一致性。我们的设置进一步扩展到混合逻辑-神经约束，以捕获非常复杂的约束，如图的可达性。广泛的实证分析表明，CAN 能够高效生成既高质量又新颖的有效结构。
引用
@article{arxiv.2007.13197,
title = {Efficient Generation of Structured Objects with Constrained Adversarial Networks},
author = {Luca Di Liello and Pierfrancesco Ardino and Jacopo Gobbi and Paolo Morettin and Stefano Teso and Andrea Passerini},
journal= {arXiv preprint arXiv:2007.13197},
year = {2020}
}
备注
34th Conference on Neural Information Processing Systems (NeurIPS 2020)