Wasserstein 内省神经网络
计算机视觉与模式识别
2018-04-10 v5 机器学习
摘要
我们提出 Wasserstein 内省神经网络（WINN），它在单一模型中同时作为生成器和判别器。WINN 通过增强 INN 的生成建模能力，相较近期的内省神经网络（INN）方法取得了显著改进。WINN 具有三个有趣性质：（1）建立了 INN 算法公式与 Wasserstein 生成对抗网络（WGAN）公式之间的数学联系。（2）将 Wasserstein 距离显式引入 INN 大幅增强了 INN，即使仅用单个分类器也能取得引人注目的结果——例如在无监督生成建模中，模型规模相较 INN 缩减近 20 倍。（3）当应用于有监督分类时，WINN 在对抗样本的误差降低方面也带来了改进的鲁棒性。实验中，我们在包括纹理、人脸和物体建模的无监督学习问题以及针对对抗攻击的有监督分类任务上报告了令人鼓舞的结果。
引用
@article{arxiv.1711.08875,
title = {Wasserstein Introspective Neural Networks},
author = {Kwonjoon Lee and Weijian Xu and Fan Fan and Zhuowen Tu},
journal= {arXiv preprint arXiv:1711.08875},
year = {2018}
}
备注
Accepted to CVPR 2018 (Oral)