生成对抗并行化
机器学习
2016-12-14 v1 机器学习
摘要
生成对抗网络因其直观的公式化表述已成为无监督学习中被研究最多的框架之一。它们也被证明能够在有限领域（如低分辨率图像）中生成令人信服的样本。然而，它们在实践中仍然难以训练，且倾向于忽略数据生成分布的模式。定量地捕捉诸如模式覆盖率以及更一般的生成模型质量等效应仍然难以实现。我们提出生成对抗并行化，这是一个多个 GAN 或其变体同时训练并交换其判别器的框架。这消除了生成器与判别器之间的紧密耦合，从而改善了收敛性并提高了模式覆盖率。我们还提出了最近提出的生成对抗度量的一个改进变体，并展示了它如何对单个 GAN 或其在 GAP 模型下的集合进行评分。
引用
@article{arxiv.1612.04021,
title = {Generative Adversarial Parallelization},
author = {Daniel Jiwoong Im and He Ma and Chris Dongjoo Kim and Graham Taylor},
journal= {arXiv preprint arXiv:1612.04021},
year = {2016}
}