基于度量学习的生成对抗网络
机器学习
2017-11-09 v1
摘要
生成对抗网络(GANs)作为一种通过对抗过程估计生成模型的框架,已引起巨大关注,并被证明在多种任务中十分强大。然而,训练 GANs 众所周知是精细且不稳定的,部分源于其判别器的 sigmoid 交叉熵损失函数。为克服此问题,许多研究者将注意力转向衡量模型分布与真实分布接近程度的各种方式,并应用不同度量作为目标函数。本文中,我们提出一种基于距离度量学习训练 GANs 的新框架,称之为基于度量学习的生成对抗网络(MLGAN)。MLGAN 的判别器可动态学习恰当的度量,而非静态度量,以衡量生成样本与真实样本间的距离。随后,MLGAN 在新学到的度量下更新生成器。我们在若干代表性数据集上评估我们的方法,实验结果表明 MLGAN 相较于若干现有最先进(state-of-the-art)方法能取得更优性能。我们还通过经验证明 MLGAN 可提升训练 GANs 的稳定性。
引用
@article{arxiv.1711.02792,
title = {Metric Learning-based Generative Adversarial Network},
author = {Zi-Yi Dou},
journal= {arXiv preprint arXiv:1711.02792},
year = {2017}
}