限制生成对抗网络训练中的贪婪性
计算机视觉与模式识别
2018-09-07 v2
摘要
生成对抗网络（GAN）在深度学习领域获得了广泛的研究兴趣。GAN 的变体已在特定任务上取得有竞争力的结果。然而，训练的稳定性与生成样本的多样性仍值得进一步研究。GAN 的训练可被视为一种贪婪过程，其中生成网络在每次迭代中试图做出局部最优选择（最小化判别器的损失函数）。不幸的是，这常使生成数据仅类似于真实数据的少数几个模式并在模式间轮换。为缓解这些问题，我们提出一种新颖的训练策略以限制 GAN 训练中的贪婪性。借助我们的方法，生成样本可覆盖更多实例模式且训练过程更稳定。在多个代表性数据集上评估我们的方法，我们展示了改进训练策略在不同距离度量下的典型 GAN 模型上的优越性。
引用
@article{arxiv.1711.10152,
title = {Restricting Greed in Training of Generative Adversarial Network},
author = {Haoxuan You and Zhicheng Jiao and Haojun Xu and Jie Li and Ying Wang and Xinbo Gao},
journal= {arXiv preprint arXiv:1711.10152},
year = {2018}
}