GANGs：生成对抗网络博弈
机器学习
2017-12-19 v2 计算机科学与博弈论
机器学习
摘要
生成对抗网络（GAN）已成为最成功的无监督生成建模框架之一。由于 GAN 难以训练，大量研究聚焦于这一问题。然而，这些研究中极少直接利用博弈论技术。我们引入生成对抗网络博弈（GANGs），其显式建模了使用混合策略的生成器（）与分类器（）之间的有限零和博弈。此类博弈的规模使得精确求解方法不可行，因此我们定义资源受限最佳响应（RBBRs）以及资源受限纳什均衡（RB-NE）为一对混合策略，使得 与 均无法找到更优的 RBBR。RB-NE 解概念比“局部纳什均衡”的概念更为丰富，因为它不仅捕捉了梯度下降逃离局部最优的失败，还适用于任何近似最佳响应的计算，包括带随机重启的方法。为验证我们的方法，我们使用并行纳什记忆算法求解 GANGs，该算法可证明单调收敛到 RB-NE。我们将结果与标准 GAN 设置进行比较，并证明我们的方法能很好地应对典型的 GAN 问题，如模式崩溃、部分模式覆盖与遗忘。
引用
@article{arxiv.1712.00679,
title = {GANGs: Generative Adversarial Network Games},
author = {Frans A. Oliehoek and Rahul Savani and Jose Gallego-Posada and Elise van der Pol and Edwin D. de Jong and Roderich Gross},
journal= {arXiv preprint arXiv:1712.00679},
year = {2017}
}
备注
9 pages, 5 figures