改进 Wasserstein GAN 的训练：一致性项及其双重效应
计算机视觉与模式识别
2018-03-06 v1 机器学习
机器学习
摘要
尽管生成对抗网络（GAN）对各类问题和应用产生了重大影响，但其训练极为困难。\cite{arjovsky2017towards} 对此进行了形式化分析，并提出了一种替代方向以规避 GAN 极小极大二人博弈训练中的缺陷。相应算法称为 Wasserstein GAN（WGAN），依赖于判别器的 1-Lipschitz 连续性。本文提出一种在 WGAN 训练过程中强制 Lipschitz 连续性的新方法。我们的方法将 WGAN 与近期半监督学习方法之一无缝连接。结果不仅产生了比以往方法更逼真的照片级样本，还取得了最先进的半监督学习效果。特别地，我们的方法仅用 1,000 张 CIFAR-10 图像即获得了超过 5.0 的 inception score，并且据我们所知，是首个仅使用 4,000 张标注图像在 CIFAR-10 数据集上准确率超过 90% 的方法。
引用
@article{arxiv.1803.01541,
title = {Improving the Improved Training of Wasserstein GANs: A Consistency Term and Its Dual Effect},
author = {Xiang Wei and Boqing Gong and Zixia Liu and Wei Lu and Liqiang Wang},
journal= {arXiv preprint arXiv:1803.01541},
year = {2018}
}
备注
Accepted as a conference paper in International Conference on Learning Representation(ICLR). Xiang Wei and Boqing Gong contributed equally in this work