Fisher GAN
机器学习
2017-11-07 v3 机器学习
摘要
生成对抗网络 (GANs) 是学习复杂分布的强大模型。GANs 的稳定训练已在许多近期工作中被探讨，这些工作探索了分布之间的不同度量。在本文中，我们引入了 Fisher GAN，它契合于用于训练 GANs 的积分概率度量 (IPM) 框架。Fisher GAN 定义了一个判别器（critic），对其二阶矩施加数据依赖的约束。我们在本文中表明，Fisher GAN 允许稳定且省时的训练，且不损害判别器的能力，并且不需要诸如权重裁剪之类的数据独立约束。我们从理论上分析了我们的 Fisher IPM，并提供了基于增广拉格朗日乘子法的 Fisher GAN 算法。我们使用 Fisher GAN 在图像样本生成和半监督分类上验证了我们的主张。
引用
@article{arxiv.1705.09675,
title = {Fisher GAN},
author = {Youssef Mroueh and Tom Sercu},
journal= {arXiv preprint arXiv:1705.09675},
year = {2017}
}
备注
Published at NIPS 2017. v2: added inception score table & plot update, relation to f-gan, illustration (Figure 1). v3: added strong SSL results for critic without batch normalization