生成对抗神经算子
机器学习
2022-10-13 v2 概率论
摘要
我们提出生成对抗神经算子（GANO），一种用于在无限维函数空间上学习概率的生成模型范式。自然科学与工程已知具有许多从无限维函数空间采样的数据类型，其中经典的有限维深度生成对抗网络（GANs）可能不直接适用。GANO 推广了 GAN 框架，并允许通过在学习无限维空间中的推前算子映射来采样函数。GANO 由两个主要组件构成：一个生成神经算子和一个判别神经泛函。生成器的输入是来自用户指定概率测度的函数样本，例如高斯随机场（GRF），生成器输出为合成数据函数。判别器的输入为真实或合成数据函数。本工作中，我们使用 Wasserstein 准则实例化 GANO，并展示如何在无限维空间中计算 Wasserstein 损失。我们在输入与输出函数均为来自 GRF 样本的受控情形下对 GANO 进行实证研究，并将其性能与有限维对应物 GAN 比较。我们在火山活动的真实世界函数数据上实证研究 GANO 的效力，并展示其优于 GAN 的性能。
引用
@article{arxiv.2205.03017,
title = {Generative Adversarial Neural Operators},
author = {Md Ashiqur Rahman and Manuel A. Florez and Anima Anandkumar and Zachary E. Ross and Kamyar Azizzadenesheli},
journal= {arXiv preprint arXiv:2205.03017},
year = {2022}
}
备注
Transactions on Machine Learning Research 2022