具有多个判别器的生成对抗网络多目标训练
机器学习
2019-01-28 v1 机器学习
摘要
近期文献表明，通过采用一组判别器来训练生成对抗网络，相较于传统的单个生成器对抗单个对手的博弈，展现出了有希望的结果。此类方法对损失的一些简单合并（例如算术平均）执行单目标优化。在本工作中，我们重新审视多判别器设定，将由不同模型提供的损失的同步最小化构建为一个多目标优化问题。具体而言，我们在多个不同数据集上评估了多重梯度下降和超体积最大化算法的性能。此外，我们认为，先前提出的方法和超体积最大化都可以看作是多重梯度下降的变体，在这些变体中可以高效地计算更新方向。我们的结果表明，与先前的方法相比，超体积最大化在样本质量和计算成本之间呈现出更好的折中。
引用
@article{arxiv.1901.08680,
title = {Multi-objective training of Generative Adversarial Networks with multiple discriminators},
author = {Isabela Albuquerque and João Monteiro and Thang Doan and Breandan Considine and Tiago Falk and Ioannis Mitliagkas},
journal= {arXiv preprint arXiv:1901.08680},
year = {2019}
}
备注
The first two authors contributed equally to this work