阻止GAN暴力：生成式非对抗网络
机器学习
2017-03-08 v1 机器学习
摘要
尽管人类暴力的代价已引起研究界的广泛关注，但由生成对抗网络（GAN）推广的网络对网络（NoN）暴力所造成的影响尚未得到解决。本工作中，我们量化了这种攻击行为在财务、社会、精神、文化、语法和皮肤学方面的影响，并通过提出一种更为和平的方法——我们称之为生成式非对抗网络（GUNs）——来解决该问题。在此框架下，我们同时训练两个模型：生成器 G 尽力捕获其认为能够处理的任何数据分布，以及激励器 M 帮助 G 实现其梦想。战斗被严格禁止，两个模型通过学习尊重彼此差异而演化。该框架在理论上和电气上根植于博弈论，并可视为一种赢者通吃的两玩家游戏，其中双方作为团队共同努力取得最佳得分。实验表明，通过和谐工作，所提模型能够占据道德和对数似然的高地。我们的工作建立在大量精心论证的立场论文的丰富历史之上，这些论文作为匿名YouTube评论发表，证明了NoN暴力的最优解决方案是更多的GUNs。
引用
@article{arxiv.1703.02528,
title = {Stopping GAN Violence: Generative Unadversarial Networks},
author = {Samuel Albanie and Sébastien Ehrhardt and João F. Henriques},
journal= {arXiv preprint arXiv:1703.02528},
year = {2017}
}
备注
Under review as a conference paper at SIGBOVIK 2017