用于改善条件化对抗学习的生成对抗森林
机器学习
2018-05-15 v1 机器学习
摘要
近年来，各类视觉相关任务的诸多突破均围绕改进深度模型的学习展开；这些方法涵盖了从 Residual Networks 等网络架构改进，到 Batch Normalisation 等各种形式的正则化。本质上，这些技术大多致力于更好的条件化，使得越来越深的模型能够被成功学习。在本文中，我们着眼于在无监督学习环境下更好地条件化生成对抗网络 (GANs)。我们的方法将决策森林强大的判别能力嵌入到 GAN 的判别器中。这产生了一个条件化更好的模型，并以极其稳定的方式进行学习。我们展示的实证结果为该方法的有效性提供了清晰的定性与定量证据，在 Oxford Flowers 和 Aligned Celebrity Faces 数据集上取得了优于几种流行的基于 GAN 的方法的显著性能提升。
引用
@article{arxiv.1805.05185,
title = {Generative Adversarial Forests for Better Conditioned Adversarial Learning},
author = {Yan Zuo and Gil Avraham and Tom Drummond},
journal= {arXiv preprint arXiv:1805.05185},
year = {2018}
}