一种能量函数意义下的生成式对抗网络
生成式对抗网络(Generative adversarial network, GAN) 是目前人工智能领域的一个研究热点,引起了众多学者的关注.针对现有GAN 生成模型效率低下和判别模型的梯度消失问题,本文提出一种基于重构误差的能量函数意义下的生成式对抗网络模型(Energy reconstruction error GAN, E-REGAN).首先,将自适应深度信念网络(Adaptive deep belief network, ADBN) 作为生成模型,来快速学习给定样本数据的概率分布并进一步生成相似的样本数据.其次,将自适应深度自编码器(Adaptive deep autoencoder, ADAE) 的重构误差(Reconstruction error, RE) 作为一个表征判别模型性能的能量函数,能量越小表示GAN 学习优化过程越趋近纳什均衡的平衡点,否则反之.同时,通过反推法给出了E-REGAN 的稳定性分析.最后在MNIST和CIFAR-10标准数据集上的实验结果表明,相较于现有的类似模型,E-REGAN在学习速度和数据生成能力两方面均有较大提高.
生成式对抗网络、能量函数、重构误差、自适应深度信念网络、自适应深度自编码器、纳什均衡
44
国家自然科学基金61533002资助 Supported by National Natural Science Foundation of China61533002
2018-06-20（万方平台首次上网日期，不代表论文的发表时间）
共11页
793-803
