利用 GAN 的隐藏任务：将隐式子问题显式化
机器学习
2021-05-13 v4 计算机视觉与模式识别
摘要
我们提出了一种关于生成对抗网络（GANs）训练的替代视角，表明 GAN 生成器的训练步骤可分解为两个隐式子问题。在第一个子问题中，判别器以通过近似反转分类器标签所产生的“逆样本”形式向生成器提供新的目标数据。在第二个子问题中，无论为训练网络指定的主损失是什么，这些样本都被用作目标，通过最小二乘回归来更新生成器。我们通过实验验证了我们的主要理论结果，并展示了通过使这些子问题显式化而实现的相对于标准 GAN 训练的显著改进。
引用
@article{arxiv.2101.11863,
title = {Exploiting the Hidden Tasks of GANs: Making Implicit Subproblems Explicit},
author = {Romann M. Weber},
journal= {arXiv preprint arXiv:2101.11863},
year = {2021}
}
备注
12 pages, 3 figures