多边际Wasserstein GAN
机器学习
2019-11-05 v1 机器学习
摘要
多边际匹配问题旨在学习映射以将源域匹配到多个目标域，并且在许多应用中引起了极大关注，例如多域图像翻译。然而，解决该问题有两个关键挑战：（i）衡量不同域之间的多边际距离非常困难；（ii）很难利用跨域相关性来匹配目标域分布。在本文中，我们提出了一种新颖的多边际Wasserstein GAN（MWGAN）来最小化域之间的Wasserstein距离。具体而言，借助多边际最优传输理论，我们开发了一种具有域内和域间约束的新对抗目标函数，以利用跨域相关性。此外，我们从理论上分析了MWGAN的泛化性能，并在平衡和不平衡翻译任务上对其进行了实证评估。在玩具和真实世界数据集上的大量实验证明了MWGAN的有效性。
引用
@article{arxiv.1911.00888,
title = {Multi-marginal Wasserstein GAN},
author = {Jiezhang Cao and Langyuan Mo and Yifan Zhang and Kui Jia and Chunhua Shen and Mingkui Tan},
journal= {arXiv preprint arXiv:1911.00888},
year = {2019}
}
备注
This paper is accepted by NeurIPS 2019