干预生成对抗网络
机器学习
2020-08-11 v1 机器学习
摘要
本文提出一种稳定生成对抗网络训练过程并缓解模式崩溃问题的新方法。主要思想是在目标函数中引入一个我们称为干预损失的正则化项。我们将得到的生成模型称为干预生成对抗网络（IVGAN）。通过对辅助编码器网络获得的真实图像的潜在表示施加高斯不变干预，并惩罚所生成图像分布之间的差异，干预损失为生成器提供了信息更丰富的梯度，显著改善了 GAN 的训练稳定性。我们通过严谨的理论分析和在标准真实数据集以及堆叠 MNIST 数据集上的全面评估，证明了方法的有效性与高效性。
引用
@article{arxiv.2008.03712,
title = {Intervention Generative Adversarial Networks},
author = {Jiadong Liang and Liangyu Zhang and Cheng Zhang and Zhihua Zhang},
journal= {arXiv preprint arXiv:2008.03712},
year = {2020}
}