协作式生成对抗网络
生成对抗网络(Generative adversarial nets, GANs) 将生成模型与判别模型进行了巧妙结合,采用无监督的训练方式,通过相互对抗共同提高,其在学术界掀起了一股新的机器学习热潮.GANs 的学习目标是可以完整拟合任意真实样本的数据分布,然而在实际当中,真实样本分布的复杂程度难以预计,容易发生模式坍塌(Mode collapse) 等问题,从而导致结果冗余,模型不收敛等.为提高无监督条件下的GANs生成能力,减少或消除模式坍塌,本文提出一种全新的协作式生成网络结构,通过构建多个生成模型,引入协作机制,使得生成模型在训练过程中能够相互学习,共同进步,从而提高模型对真实数据的拟合能力,进一步提高生成质量.通过在三组不同类型的数据集上进行实验,分析对比结果后发现新模型在二维图像生成方面,特别是人脸图片,有着显著的效果,协作机制不仅可以加快模型收敛速度,提高训练效率,还能消除损失函数噪声,在三维模型生成方面也产生了一定的影响.通过调整模型参数,模式坍塌问题也得到了遏制.本文还设计了一种动态学习方法,动态调节模型的学习速率,有效减少了过大或过小的梯度惩罚.
生成对抗网络、协作式、模式坍塌、生成模型、无监督学习
44
国家自然科学基金61571247;浙江省自然科学基金LZ16F030001;浙江省国际合作项目2013C24027资助 Supported by National Natural Science Foundation of China61571247;National Natural Science Foundation of Zhe-jiang ProvinceLZ16F030001;International Cooperation Projects of Zhejiang Province2013C24027
2018-06-20（万方平台首次上网日期，不代表论文的发表时间）
共7页
804-810
