生成式多对抗网络
机器学习
2017-03-06 v3 多智能体系统
神经与进化计算
摘要
生成对抗网络（GANs）是通过双人极小极大博弈产生生成模型的一种框架。本文中，我们提出生成式多对抗网络（GMAN），一种将GANs扩展到多个判别器的框架。在先前的工作中，GANs的成功训练需要修改极小极大目标以加速早期训练。相反，GMAN可以使用原始的、未篡改的目标进行可靠训练。我们探索了若干设计视角，其中判别器的角色从强大的对手到宽容的教师不等。将所提框架与标准GANs进行比较的图像生成任务表明，当使用成对GAM型度量衡量时，GMAN在极少次数的迭代中生成更高质量的样本。
引用
@article{arxiv.1611.01673,
title = {Generative Multi-Adversarial Networks},
author = {Ishan Durugkar and Ian Gemp and Sridhar Mahadevan},
journal= {arXiv preprint arXiv:1611.01673},
year = {2017}
}
备注
Accepted as a conference paper (poster) at ICLR 2017