跟着李沐学AI—GAN论文精读 【含研报及视频】
由qxiao创建，最终由qxiao 被浏览 44 用户
原研报标题：Generative Adversarial Nets
发布时间：2018年
作者：Ian J. Goodfellow∗, Jean Pouget-Abadie† , Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair‡ , Aaron Courville, Yoshua Bengio
摘要
本文通过对抗过程，提出了一种新的框架来预测产生式模型，我们同时训练两个模型：一个产生式模型 G，该模型可以抓住数据分布；还有一个判别式模型 D 可以预测来自训练样本 而不是 G 的样本的概率．训练 G 的目的是让 D 尽可能的犯错误，让其无法判断一个图像是产生的，还是来自训练样本．这个框架对应了一个 minimax two-player game. 也就是，一方得势，必然对应另一方失势，不存在两方共赢的局面，这个就是这个游戏的规则和属性。当任意函数 G 和 D的空间，存在一个特殊的解，G 恢复出训练数据的分布，D 在任何地方都等于 1/2 。当 G 和 D 定义为 multilayer perceptrons, 整个系统可以通过 BP 算法来进行训练。在训练或者产生样本的过程中，不需要马尔科夫链 或者 unrolled approximate inference network 。
引言：深度学习的希望是发现丰富的，等级模式，代表在人工只能应用中遇到的数据的分布，像 natural images，audio waveforms 包含 speech, 自然语言库的 symbols。到目前为止，最有影响力的 DL 的应用已经涉及到 discriminative models，通常都是将高维，丰富的输入到一个类别标签。 Deep discriminative models 没有那么大的影响力，因为预测许多很难搞定的概率计算是相当困难的，例如：最大似然估计和相关的策略；由于结合 piecewise linear units 的优势也很困难。我们提出了一种新的 generative model estimation procedure 避开了这些困难。
在这个提出的 adversarial nets framework 中，产生式模型需要和一个敌手进行对抗：一个 discriminative model 需要学习是否是一个样本是来自于 model distribution 或者 是 data distribution 。这个产生式模型需要看作是造假的团伙，企图制造假币；而 discriminative model 类似于 警察，试着检查出假钞。这个游戏竞争的结果就是，使得两个队伍的不断的改善其自身的模型，而产生的假钞变成名副其实的艺术品。（做到真假难辨）
这个 framework 可以产生用于许多类别的模型和优化算法 特定的 training algorithm 。我们探索一种特殊的情况，称为 adversarial nets。
研报原文PDF
/wiki/static/upload/a7/a7e83f46-d5f0-4337-8a79-a3b9d097a22d.pdf
\
视频解读
https://www.bilibili.com/video/BV1rb4y187vD/
\