改进的GAN生成器目标函数
机器学习
2016-12-09 v1 机器学习
摘要
我们提出一个框架，将GAN训练理解为交替的密度比估计和近似散度最小化。这为实践中常用的不匹配GAN生成器和判别器目标提供了解释，并解释了样本多样性差的问题。我们还推导了一族生成器目标，其针对任意-散度而不最小化下界，并用它们来训练生成图像模型，这些模型针对改进的样本质量或更大的样本多样性。
引用
@article{arxiv.1612.02780,
title = {Improved generator objectives for GANs},
author = {Ben Poole and Alexander A. Alemi and Jascha Sohl-Dickstein and Anelia Angelova},
journal= {arXiv preprint arXiv:1612.02780},
year = {2016}
}
备注
NIPS 2016 Workshop on Adversarial Training