用GAN参数化CNN的滤波器集
机器学习
2017-11-01 v1 人工智能
神经与进化计算
机器学习
摘要
人们普遍认同,在机器学习中使用相关的不变性作为一种良好的统计偏置是很重要的。然而,大多数将不变性显式纳入模型架构的方法仅利用了非常简单的变换,如平移和旋转。因此,需要方法来建模并提取能捕捉更高层不变性的更丰富变换。为此,我们引入一种工具,允许用生成对抗网络(generative adversarial network, GAN)的潜空间来参数化已训练卷积神经网络的滤波器集。然后我们表明,通过可视化其在数据空间中的效果,该方法能够捕捉数据高度非线性的不变性。
引用
@article{arxiv.1710.11386,
title = {Parametrizing filters of a CNN with a GAN},
author = {Yannic Kilcher and Gary Becigneul and Thomas Hofmann},
journal= {arXiv preprint arXiv:1710.11386},
year = {2017}
}