将技能评级作为适应度用于 GAN 的进化

生成对抗网络（GANs）是一种在对生成任务上取得令人印象深刻结果的对抗模型。尽管结果相关，GANs 在稳定性方面存在一些挑战，使得训练通常是一个碰运气的进程。为克服这些挑战，人们提出了若干改进以更好地处理模型的内部特性，例如替代损失函数或对生成器和判别器所用神经网络的架构改变。近期工作提出在 GAN 训练中使用进化算法，旨在解决这些挑战并提供自动寻找良好模型的方法。在此背景下，COEGAN 提出使用协同进化与神经进化来编排 GANs 的训练。然而，先前的实验检测到用于引导进化的一些适应度函数并不理想。在这项工作中，我们提出评估一种基于游戏的适应度函数，以用于 COEGAN 方法中。技能评级是一种量化游戏中玩家技能的度量，并已被用于评估 GANs。我们扩展该思想，在进化算法中使用技能评级来训练 GANs。结果显示技能评级可用作适应度来引导 COEGAN 中的进化，而无需依赖外部评估器。