生成对抗网络（GANs）：它能生成什么，不能生成什么？
机器学习
2019-08-01 v2 机器学习
摘要
近年来，生成对抗网络（GANs）受到研究界的广泛关注。凭借简单的实现和出色的结果，GANs 已被用于众多应用。尽管取得了成功，GANs 仍缺乏恰当的理论解释。这些模型存在模式坍塌、不收敛和训练不稳定等问题。为解决这些问题，研究者们提出了受博弈论、统计理论、动力系统等多个领域启发的理论严谨框架。本文旨在为系统研究这些贡献提供一个适当的结构。我们主要根据论文提出的问题及其为解决这些问题所引入的创新类型进行分类。此外，我们深入分析了每篇讨论的文章如何解决相关问题。我们比较和对比了不同结果，并总结了关于 GANs 的理论贡献，重点关注图像/视觉应用。我们希望这篇综述能为希望了解 GANs 理论进展的人提供一个全局视角。
引用
@article{arxiv.1804.00140,
title = {Generative Adversarial Networks (GANs): What it can generate and What it cannot?},
author = {P Manisha and Sujit Gujar},
journal= {arXiv preprint arXiv:1804.00140},
year = {2019}
}