Flow-GAN：在生成模型中结合最大似然与对抗学习
机器学习
2018-01-08 v2 人工智能
神经与进化计算
机器学习
摘要
概率模型的对抗学习最近已成为最大似然的一种有前景的替代方案。与通过最大似然训练的显式模型相比，诸如生成对抗网络（GAN）之类的隐式模型通常能生成更好的样本。然而，GAN 回避了对显式密度的刻画，这使得定量评估变得困难。为了弥合这一差距，我们提出了 Flow-GAN，一种可以对其进行精确似然评估的生成对抗网络，从而同时支持对抗训练和最大似然训练。当进行对抗训练时，Flow-GAN 能生成高质量样本，但获得极差的对数似然分数，甚至不如一个记忆训练数据的混合模型；而通过最大似然训练时，情况则相反。在 MNIST 和 CIFAR-10 上的结果表明，混合训练可以在保持生成样本视觉保真度的同时，获得较高的保留数据似然。
引用
@article{arxiv.1705.08868,
title = {Flow-GAN: Combining Maximum Likelihood and Adversarial Learning in Generative Models},
author = {Aditya Grover and Manik Dhar and Stefano Ermon},
journal= {arXiv preprint arXiv:1705.08868},
year = {2018}
}
备注
AAAI 2018