通过随机纳什博弈训练生成对抗网络
机器学习
2021-05-24 v3 计算机科学与博弈论
最优化与控制
摘要
生成对抗网络（GANs）是一类具有两个对抗神经网络的生成模型：生成器与判别器。这两个神经网络通过可建模为随机纳什均衡问题的对抗过程相互竞争。由于相关的训练过程具有挑战性，设计可靠算法以计算均衡至关重要。本文中，我们提出一种用于 GANs 的随机松弛前向-后向（SRFB）算法，并证明当可用数据量不断增加时其收敛到精确解。我们还证明了在仅有少量样本可用时，SRFB 算法的平均化变体收敛到解的一个邻域。两种情形下，当博弈的伪梯度映射为单调时均保证收敛。该假设是文献中最弱的已知假设之一。此外，我们将算法应用于图像生成问题。
引用
@article{arxiv.2010.10013,
title = {Training Generative Adversarial Networks via stochastic Nash games},
author = {Barbara Franci and Sergio Grammatico},
journal= {arXiv preprint arXiv:2010.10013},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2003.13637