PolyGAN：高阶多项式生成器
机器学习
2019-10-15 v2 机器学习
摘要
生成对抗网络（GANs）已成为学习高维分布生成模型的事实标准。自其问世以来，文献中提出了大量GAN的变体，主要集中于采用新颖的损失函数、优化/正则化策略以及网络架构。本文将注意力转向生成器，并研究使用高阶多项式作为另一类通用函数逼近器。具体而言，我们提出PolyGAN，其中我们通过高阶多项式对数据生成器建模，其未知参数自然地由高阶张量表示。我们引入了两种可显著减少参数数量的张量分解，并展示了如何仅使用线性/卷积块的分层神经网络高效地实现它们。我们首次表明，通过使用我们的方法，GAN生成器可以在不使用任何激活函数的情况下逼近数据分布。在合成数据与真实数据（图像与3D点云）上的详尽实验评估展示了PolyGAN相对于当前最优方法的优势。
引用
@article{arxiv.1908.06571,
title = {PolyGAN: High-Order Polynomial Generators},
author = {Grigorios Chrysos and Stylianos Moschoglou and Yannis Panagakis and Stefanos Zafeiriou},
journal= {arXiv preprint arXiv:1908.06571},
year = {2019}
}