保持语义的生成对抗模型
机器学习
2019-10-08 v1 机器学习
摘要
我们引入一类生成对抗模型，其中判别器被一个经领域相关特征反复增强的校准（不可微）分类器所替代。该分类器的作用在于证明真实数据与生成数据在一个受控语义空间上存在差异。我们证明此类模型能够在广泛领域中生成对其属性有强保证的对象。它们比普通 GAN 所需数据更少，提供自然的停止条件，揭示数据的重要属性，并增强迁移学习。我们的技术可与标准生成模型结合。我们通过将该方法应用于几个不相关的领域来展示其有用性：为蜂窝天线生成良好位置、保持关键化学性质的分子生成，以及从极少数据点生成并外推线条。我们也提出了引人关注的开放问题。
引用
@article{arxiv.1910.02804,
title = {Semantic Preserving Generative Adversarial Models},
author = {Shahar Harel and Meir Maor and Amir Ronen},
journal= {arXiv preprint arXiv:1910.02804},
year = {2019}
}