生成对抗学习的新损失函数
机器学习
2018-07-27 v2 机器学习
摘要
生成对抗网络（Goodfellow等人，2014）作为生成建模领域的重大突破，通过学习一个判别器来估计目标分布与候选分布之间的某种距离。本文考察了在此过程中计算生成模型梯度时的数学问题，特别是如何考虑判别器本身对生成器参数的依赖。我们提出了一种统一的方法论，用于定义数学上严谨的训练目标，以稳健的方式考虑这种依赖性，并将GAN、VAE及某些GAN变体作为特例涵盖在内。
引用
@article{arxiv.1807.01290,
title = {New Losses for Generative Adversarial Learning},
author = {Victor Berger and Michèle Sebag},
journal= {arXiv preprint arXiv:1807.01290},
year = {2018}
}
备注
The central result of the paper was based on a wrong assumption: the term in the loss capturing the variation of the optimal discriminator with relation to the generator can be proved to be always zero using the Envelope Theorem