[关闭]
@wuxin1994 2017-09-26T14:05:18.000000Z 字数 830 阅读 529

《Triangle Generative Adversarial Networks》论文笔记

PaperNotes GAN


Citing

Title:
Triangle Generative Adversarial Networks
Authors:
Gan, Zhe; Chen, Liqun; Wang, Weiyao; Pu, Yunchen; Zhang, Yizhe; Liu, Hao; Li, Chunyuan; Carin, Lawrence
Publication:
eprint arXiv:1709.06548
Publication Date:
09/2017
Origin:
ARXIV
Keywords:
Computer Science - Learning, Statistics - Machine Learning
Comment:
To appear in NIPS 2017
Bibliographic Code:
2017arXiv170906548G

Content

这篇文章提出了一个新的GAN结构——三角生成对抗网络。这个模型结构如下图,它可以在半监督学习的情况下学习到样本的联合分布。训练数据类型来自多个领域,并且只有一部分不同领域的数据能配对(也就是是标签与数据的关系)。比如人像图片数据和对人脸描述的语句数据,这两种数据类型不同,且只有一部分是关联的。

此处输入图片的描述
结构一共有两个生成器和两个判别器。其中,两个生成器的目的,是各自将自己领域的数据映射到对方领域的数据。比如一个生成器将图片映射到文字,一个将文字映射到图片。而两个判别器的作用,就是判断生成器生成的数据是否是成对的——也就是是否可以认为是匹配对应的标签关系。同时,两个判别器具有不同的输入。D1是依次判断真实数据对和生成的数据对,D2则是判断两个生成的数据对。显然,D1的优化目的是让生成的数据更加接近真实数据,D2的目的是让两个生成器生成的成对数据程度接近。理论上,可以通过对抗训练完成对生成器和判别器的优化,最终能够实现不同领域不同类型但是相互关联数据的彼此映射。

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