MMGAN：面向多模态分布的生成对抗网络
机器学习
2019-11-18 v1 计算机视觉与模式识别
机器学习
摘要
在过去的几年中，生成对抗网络（GANs）展现出卓越的生成性能，尤其在图像合成方面。遗憾的是，它们也以训练过程不稳定而著称，并且对于异构输入数据可能会丢失部分数据分布。在本文中，我们提出了一种用于多模态分布学习的新型 GAN 扩展（MMGAN）。在我们的方法中，我们将隐空间建模为高斯混合模型，其聚类数量对应于观测空间中不连通数据流形的数量，并包含一个聚类网络，将每个数据流形关联到一个高斯聚类。因此，训练变得更加稳定。此外，MMGAN 允许根据隐空间中学习到的数据流形对真实数据进行聚类。通过一系列基准实验，我们说明 MMGAN 在聚类性能方面优于具有竞争力的当前最优（state-of-the-art）模型。
引用
@article{arxiv.1911.06663,
title = {MMGAN: Generative Adversarial Networks for Multi-Modal Distributions},
author = {Teodora Pandeva and Matthias Schubert},
journal= {arXiv preprint arXiv:1911.06663},
year = {2019}
}