[关闭]
@wuxin1994 2017-09-26T14:09:36.000000Z 字数 1050 阅读 295

《DeLiGAN : Generative Adversarial Networks for Diverse and Limited Data》论文笔记

PaperNotes GAN Secure


《DeLiGAN : Generative Adversarial Networks for Diverse and Limited Data》论文笔记

 网络安全领域的数据,因为往往训练数据形式和场景多样,并且数据量有限,因此考虑DeLiGAN论文的思路。

Citing

Gurumurthy S, Sarvadevabhatla R K, Radhakrishnan V B. DeLiGAN : Generative Adversarial Networks for Diverse and Limited Data[J]. 2017.

Content

 论文的主要内容是:GAN一般要基于大量数据训练才能抓取到数据多样性,而本文提一种基于少量数据就能训练出能产生多样性结果的GAN模型,并提出了一种衡量多样性 “modified inception score” 。当数据量有限时,通过加大模型的深度提升效果基本不可行,因此增强先验分布多样性来增加多样性是一个可选的方法。DeLiGAN主要通过reparameterise(One-liners method)隐变量空间(Mixture-of-Gaussians, supposed uniform distribute)形成一种混合模型,而本方法可以做为一个“插件”结合到很多 GAN 模型中,模型在 MNIST、CIFAR 10、Freehand Sketches 三个数据集中试验取得了比较好的结果。

创新点

 论文的主要贡献有三点:

总结

 论文针对样本较少且差异性比较大的情况,提出增加先验分布的多样性,具体来说,就是将原本G网络输入是单一分布的噪声调整为N种高斯分布的噪声,对模型的训练过程,参数的调整除了对G网络原本参数的调整,也包括了对输入噪声的均值和方差的改变,从而可以让输入模型的数据多样性更强。我的理解是类似于自己造数据,不过数据是随机数据。

添加新批注
在作者公开此批注前,只有你和作者可见。
回复批注