MMCGAN：具有显式流形先验的生成对抗网络
机器学习
2020-06-20 v1 机器学习
摘要
生成对抗网络（GAN）提供了一个良好的生成框架来产生逼真的样本，但存在模式崩溃和训练不稳定这两个公认的问题。在本工作中，我们提出采用显式流形学习作为先验，以缓解模式崩溃并稳定 GAN 的训练。由于传统流形学习的基本假设在数据分布稀疏且不均匀的情况下会失效，我们为流形学习引入了一个新目标，即最小流形编码（Minimum Manifold Coding, MMC），以鼓励简单且展开的流形。本质上，MMC 是最短哈密顿路径问题的广义情形，并追求具有最小黎曼体积的流形。使用来自 MMC 的标准化编码作为先验，可以保证 GAN 恢复出一个覆盖所有训练数据的简单且展开的流形。我们在玩具数据和真实数据集上的实验表明了 MMCGAN 在缓解模式崩溃、稳定训练以及提高生成样本质量方面的有效性。
引用
@article{arxiv.2006.10331,
title = {MMCGAN: Generative Adversarial Network with Explicit Manifold Prior},
author = {Guanhua Zheng and Jitao Sang and Changsheng Xu},
journal= {arXiv preprint arXiv:2006.10331},
year = {2020}
}