通过质量多样性探索 GAN 的演化
神经与进化计算
2020-07-14 v1
摘要
生成对抗网络（GANs）在生成算法领域取得了重要进展，主要在图像背景下呈现出高质量结果。然而，GANs 难以训练，且模型的若干方面需事先手工设计以确保训练成功。在此背景下，诸如 COEGAN 的进化算法被提出以解决 GAN 训练中的挑战。尽管如此，这些解决方案中存在多样性缺乏与过早优化的问题。我们在本文中提出将质量多样性算法应用于 GAN 的演化。该方案基于带局部竞争的 novelty search（新颖性搜索，NSLC）算法，将 COEGAN 中使用的概念适配到此新提案中。我们将我们的提案与原始 COEGAN 模型以及采用全局竞争方法的替代版本进行比较。实验结果表明，我们的提案增加了所发现解的多样性，并提升了算法所发现模型的性能。此外，全局竞争方法能够稳定地找到更好的 GAN 模型。
引用
@article{arxiv.2007.06251,
title = {Exploring the Evolution of GANs through Quality Diversity},
author = {Victor Costa and Nuno Lourenço and João Correia and Penousal Machado},
journal= {arXiv preprint arXiv:2007.06251},
year = {2020}
}
备注
Published in GECCO 2020