Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks
University of Freiburg（弗赖堡大学）
在本文中，我们提出了一种方法来学习一个判别分类器从未标记或部分标记的数据。我们的方法基于一个目标函数，该目标函数权衡了观察到的示例及其预测的分类类分布之间的互信息，以及分类器对对抗生成模型的鲁棒性。由此产生的算法可以被解释为生成对抗网络（GAN）框架的自然推广，或者作为正则化信息最大化（RIM）框架的扩展，以针对最佳对手进行鲁棒分类。我们根据经验评估了我们的方法-我们称之为分类生成对抗网络（或CatGAN）-在合成数据以及具有挑战性的图像分类任务上，证明了学习分类器的鲁棒性。我们进一步定性地评估了与判别分类器一起学习的对抗生成器生成的样本的保真度，并确定了CatGAN目标和判别聚类算法（如RIM）之间的联系。
2016-04-30 cs.LG stat.ML
Labeled Graph Generative Adversarial Networks
Virginia Tech（弗吉尼亚理工大学）；Tufts University（塔夫茨大学）
\emph{generative adversarial networks}（GANs）作为一种新的生成模型训练方法，在图像生成方面取得了巨大的成功。这个框架最近也被应用于具有图形结构的数据。我们提出了标记图生成对抗网络（LGGAN）来训练具有节点标签的图结构数据的深度生成模型。我们在各种类型的图形数据集上测试了该方法，例如引文网络和蛋白质图的集合。实验结果表明，该模型能够生成与训练数据结构特征相匹配的标记图，在质量和通用性上优于其他方法。为了进一步评估生成的图的质量，我们将它们用于图分类的下游任务，结果表明LGGAN可以忠实地捕获图结构的重要方面。
2021-02-25 cs.LG stat.ML
Generative Adversarial Trainer: Defense to Adversarial Perturbations with GAN
Seoul National University（首尔国立大学）
本文提出利用生成对抗网络交替训练生成器和分类器，以增强神经网络对对抗扰动的鲁棒性，并在CIFAR数据集上显著降低泛化误差，优于Dropout等正则化方法。
2023-07-04 cs.LG stat.ML
Investigating Under and Overfitting in Wasserstein Generative Adversarial Networks
Google Research（谷歌研究院）
我们研究生成对抗网络（GANs）中的欠拟合和过拟合，使用生成器看不到的鉴别器来测量泛化。我们发现，模型的容量的控制器有一个显着的影响，对发电机的模型质量，和发电机的性能差相吻合的控制器欠拟合。与我们的预期相反，我们发现，相对于CIFAR10，CIFAR100和CelebA，具有大模型容量的发电机没有表现出过拟合的证据。
2019-10-30 cs.LG stat.ML
IVE-GAN: Invariant Encoding Generative Adversarial Networks
Bayer AG（拜耳公司）
生成对抗网络（GANs）是生成任务的强大框架。然而，它们难以训练，并且往往会错过真实数据生成过程的模式。虽然GANs可以在其潜在空间中学习数据的覆盖模式的丰富表示，但该框架错过了从数据到该潜在空间的逆映射。我们提出了不变编码生成对抗网络（IVE-GANs），这是一种新的GAN框架，它通过利用数据中对某些变换不变的特征，为数据中的单个样本引入了这种映射。由于模型将单个样本映射到潜在空间，因此它自然会鼓励生成器覆盖所有模式。我们证明了我们的方法在生成性能和学习丰富的表示几个数据集，包括常见的基准图像生成任务方面的有效性。
2017-11-23 cs.LG stat.ML
Towards Principled Methods for Training Generative Adversarial Networks
Courant Institute of Mathematical Sciences（库朗数学科学研究所）；Facebook AI Research（Facebook人工智能研究院）
本文的目标不是介绍一种算法或方法，而是为全面理解生成对抗网络的训练动态提供理论基础。为了证实我们的理论分析，我们进行了有针对性的实验，以验证我们的假设，说明我们的主张，并量化的现象。本文共分为三个部分。第一部分介绍了当前的问题。第二部分致力于研究和严格证明生成对抗网络训练时出现的问题，包括不稳定性和饱和度。第三部分探讨了解决这些问题的实际和理论基础的方向，同时引入新的工具来研究它们。
2017-01-17 cs.LG stat.ML
Scalable Unbalanced Optimal Transport using Generative Adversarial Networks
Massachusetts Institute of Technology（麻省理工学院）
生成对抗网络（GANs）是一类表现力很强的神经生成模型，在建模高维连续度量方面取得了巨大成功。在本文中，我们提出了一个可扩展的方法，不平衡的最佳运输（OT）的基础上生成的对抗框架。我们制定不平衡OT作为一个问题，同时学习的运输地图和缩放因子，推动源措施的目标措施，以成本最优的方式。此外，我们提出了一种基于随机交替梯度更新的算法来解决这个问题，在实践中类似于GANs。我们还为这种公式提供了理论依据，表明它与Liero等人（2018）的现有静态公式密切相关，并进行了数值实验，证明了这种方法如何应用于人口建模。
2019-08-04 cs.LG stat.ML
Generative adversarial networks for generation and classification of physical rehabilitation movement episodes
University of Idaho（爱达荷大学）
本文提出了一种方法，通过使用人工神经网络的物理治疗过程中进行的患者运动情节相关的人体运动的数学建模。采用生成对抗网络结构，由此以对抗方式同时训练判别模型和生成模型。不同的网络架构进行了检查，与歧视性和生成模型结构的深层子网络的隐藏层组成的卷积或循环计算单元。该模型进行了验证的数据集上的人体运动记录与光学运动跟踪器。结果表明，新的运动实例的分类的网络的能力，并生成类似于所记录的运动序列的运动示例。
2018-12-15 cs.LG stat.ML
Generalized Latent Variable Recovery for Generative Adversarial Networks
Massachusetts Institute of Technology（麻省理工学院）
生成对抗网络（GAN）的生成器经过训练，可以将从先验分布中提取的潜在向量转换为逼真的照片。这些潜在向量已经被证明可以对关于其对应图像的内容的信息进行编码。将输入图像投影到GAN的潜在空间上是不平凡的，但是以前的工作已经成功地执行了具有均匀先验的潜在空间的任务。我们将这些技术扩展到高斯先验的潜在空间，并证明了我们的技术的有效性。
2018-10-09 cs.LG stat.ML
Semi-Supervised Learning with Generative Adversarial Networks
我们将生成对抗网络（GANs）扩展到半监督上下文，迫使生成对抗网络输出类标签。我们训练一个生成模型G和一个具有属于N个类之一的输入的数据集上的一个生成模型D。在训练时，D被用来预测输入属于N+1个类中的哪一个，其中添加额外的类以对应于G的输出。我们表明，这种方法可以用来创建一个更有效的数据分类器，它允许生成更高质量的样本比常规的GAN。
2016-10-22 cs.LG stat.ML
Intervention Generative Adversarial Networks
Center for Data Science, Peking University（北京大学数据科学中心）；School of Mathematical Sciences, Peking University（北京大学数学科学学院）
在本文中，我们提出了一种新的方法来稳定生成对抗网络的训练过程，以及减轻模式崩溃问题。主要想法是在目标中引入一个正则化项，我们称之为干预损失。我们将由此产生的生成模型称为干预生成对抗网络（IVGAN）。通过用高斯不变干预扰动从辅助编码器网络获得的真实图像的潜在表示并惩罚所产生的生成图像的分布的不相似性，干预损失为生成器提供了更多的信息梯度，显著提高了GAN的训练稳定性。我们证明了我们的方法的有效性和效率，通过坚实的理论分析和标准的真实世界的数据集，以及堆栈MNIST数据集上的全面评估。
2020-08-09 cs.LG stat.ML
Adversarial examples for generative models
National University of Singapore（新加坡国立大学）；Google Research（谷歌研究院）；University of California, Berkeley（加州大学伯克利分校）
我们探索了在深度生成模型（如变分自动编码器（VAE）和VAE-GAN）上生成对抗性示例的方法。众所周知，深度学习架构容易受到对抗性示例的影响，但以前的工作主要集中在对抗性示例在分类任务中的应用上。深度生成模型最近变得流行，因为它们能够对输入数据分布进行建模，并从这些分布中生成真实的示例。我们提出了三类对VAE和VAE-GAN架构的攻击，并针对在MNIST，SVHN和CelebA上训练的网络进行了演示。我们的第一次攻击通过将分类器附加到目标生成模型的训练编码器来利用基于分类的对手，然后可以使用该编码器间接操纵潜在表示。我们的第二次攻击直接使用VAE损失函数从对抗性示例中生成目标重建图像。我们的第三种攻击超越了依赖于梯度的分类或标准损失，并直接针对源和目标潜在表示的差异进行优化。我们还激发了为什么攻击者可能对针对目标生成网络部署此类技术感兴趣。
2017-02-22 cs.LG stat.ML
Variational Approaches for Auto-Encoding Generative Adversarial Networks
DeepMind
自动编码生成对抗网络（GANs）结合了标准的GAN算法，该算法区分真实和模型生成的数据，并由自动编码器给出重建损失。这些模型旨在通过确保学习生成模型基于所有可用的训练数据来防止学习生成模型中的模式崩溃。在本文中，我们开发了一种原理，通过利用生成模型的分层结构，可以将自动编码器与生成对抗网络相结合。其基本原理表明，变分推断可以用作学习的基本工具，但不可处理的似然被合成似然代替，未知的后验分布被隐式分布代替;合成似然和隐式后验分布都可以使用鉴别器来学习。这使我们能够开发变分自动编码器和生成对抗网络的自然融合，结合这两种方法的优点。我们描述了一个统一的优化目标，讨论了指导学习所需的约束条件，连接到广泛的现有工作，并使用一系列测试来系统地和定量地评估我们的方法的性能。
2017-10-21 cs.LG stat.ML
New Losses for Generative Adversarial Learning
生成对抗网络（Goodfellow等人，2014年），在生成建模领域的一个重大突破，学习一个估计目标和候选分布之间的距离。本文探讨了在这种情况下，生成模型的梯度计算方式的数学问题，特别是如何考虑到如何将梯度本身取决于发电机参数。提出了一种统一的方法来定义生成模型的数学上合理的训练目标，以稳健的方式考虑这种依赖性，包括GAN，VAE和一些GAN变体作为特定情况。
2018-07-26 cs.LG stat.ML
Generative Adversarial Active Learning
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Boston College（波士顿学院）
提出了一种基于生成对抗网络（GAN）的查询综合主动学习方法。与常规的主动学习不同，该算法自适应地合成训练实例进行查询，以提高学习速度。我们根据不确定性原则生成查询，但我们的想法可以与其他主动学习原则。我们报告的结果，从各种数值实验，以证明所提出的方法的有效性。在某些情况下，该算法优于传统的基于池的方法。据我们所知，这是第一个使用GAN的主动学习工作。
2017-11-15 cs.LG stat.ML
BEGAN: Boundary Equilibrium Generative Adversarial Networks
Google（谷歌）
我们提出了一种新的均衡执行方法，结合Wasserstein距离的损失，用于训练基于自动编码器的生成对抗网络。该方法在训练期间平衡发生器和振荡器。此外，它提供了一种新的近似收敛措施，快速和稳定的训练和高视觉质量。我们还得到了一种控制图像多样性和视觉质量之间的权衡的方法。我们专注于图像生成任务，即使在更高的分辨率下，也能在视觉质量方面树立新的里程碑。这是在使用相对简单的模型架构和标准训练过程的同时实现的。
2017-05-31 cs.LG stat.ML
OptiGAN: Generative Adversarial Networks for Goal Optimized Sequence Generation
Monash University（莫纳什大学）；The University of Melbourne（墨尔本大学）
序列生成任务中的一个挑战性问题是具有特定期望目标的序列的优化生成。当前的序列生成模型主要生成序列以紧密地模仿训练数据，而没有直接优化特定于任务的期望目标或属性。我们引入了OptiGAN，这是一种生成模型，它结合了生成对抗网络（GAN）和强化学习（RL），使用策略梯度来优化所需的目标得分。我们将我们的模型应用于文本和实值序列生成，其中我们的模型能够获得比GAN和RL基线更高的期望分数，同时不牺牲输出样本多样性。
2021-01-14 cs.LG stat.ML
Generative Adversarial Forests for Better Conditioned Adversarial Learning
Monash University（莫纳什大学）；ARC Centre of Excellence for Robotic Vision（澳大利亚研究理事会机器人视觉卓越中心）
近年来，各种视觉相关任务的许多突破都围绕着改进深度模型的学习;这些方法从网络架构改进（如残差网络）到各种形式的正则化（如批量归一化）。从本质上讲，这些技术中的许多都围绕着更好的条件反射，允许成功地学习越来越深的模型。在本文中，我们期待在无监督学习环境中更好地调节生成对抗网络（GANs）。我们的方法嵌入到GAN的神经网络的决策森林的强大的鉴别能力。这导致了一个更好的条件模型，它以非常稳定的方式学习。我们展示了实证结果，这些结果显示了我们方法有效性的明确定性和定量证据，在Oxford Flowers和Aligned Celebrity Faces数据集上，与几种流行的基于GAN的方法相比，获得了显着的性能改进。
2018-05-14 cs.LG stat.ML
Label-Removed Generative Adversarial Networks Incorporating with K-Means
Nankai University（南开大学）；Tianjin University（天津大学）；Hunan University（湖南大学）
生成对抗网络（GANs）在生成逼真图像方面取得了巨大成功。其中大多数是条件模型，尽管在实践中获取类标签是昂贵和耗时的。为了减少对标记数据的依赖，我们提出了一种无条件生成对抗模型，称为K-Means-GAN（KM-GAN），它将K-Means中更新中心的思想融入到GANs中。具体来说，我们通过对从网络中提取的特征应用K-Means来重新设计GANs的框架。利用从K-Means获得的标签，我们从深度度量学习（DML）的角度提出了新的目标函数。与以往的工作不同，在KM-GAN中，将样本作为特征提取器而不是分类器，同时利用K-Means使样本的特征更具代表性。在MNIST，Fashion-10，CIFAR-10和CelebA等数据集上进行了实验，结果表明KM-GAN生成的样本质量与一些条件生成对抗模型相当。
2019-02-19 cs.LG stat.ML
LOGAN: Latent Optimisation for Generative Adversarial Networks
DeepMind
训练生成对抗网络需要平衡微妙的对抗动态。即使经过仔细的调整，训练也可能会出现分歧，或者最终以放弃模式的不佳平衡而告终。在这项工作中，我们使用基于自然梯度的潜在优化来改进CS-GAN，并表明它通过增强机器人和生成器之间的交互来改善对抗动态。我们的实验表明，潜在优化可以显着改善GAN训练，获得ImageNet（$128 \times 128$）数据集的最新性能。我们的模型实现了$148$的初始得分（IS）和$3.4$的Fréchet初始距离（FID），与具有相同架构和参数数量的基线BigGAN-deep模型相比，IS和FID分别改进了$17\%$和$32\%$。
2020-07-01 cs.LG stat.ML
Unrolled Generative Adversarial Networks
Google Brain（谷歌大脑）；Stanford University（斯坦福大学）；Google DeepMind（谷歌DeepMind）
我们引入了一种方法来稳定生成对抗网络（GANs），通过定义生成器目标相对于展开的优化。这允许在使用生成器的目标中的最优的最小值（这是理想的，但在实践中是不可行的）和使用最小值的当前值（这通常是不稳定的，并且导致差的解决方案）之间调整训练。我们展示了这种技术如何解决模式坍塌的常见问题，使用复杂的递归生成器稳定GANs的训练，并通过生成器增加数据分布的多样性和覆盖范围。
2017-05-12 cs.LG stat.ML
Mixture Density Conditional Generative Adversarial Network Models (MD-CGAN)
University of Oxford（牛津大学）；Oxford-Man Institute of Quantitative Finance（牛津-曼量化金融研究所）
生成对抗网络（GANs）近年来受到了极大的关注，特别是在计算机视觉中的应用令人印象深刻。然而，与这些例子相比，GANs在时间序列建模（包括预测）方面的应用更为有限。在这项工作中，我们提出了混合密度条件生成对抗模型（MD-CGAN），重点是时间序列预测。我们表明，我们的模型是能够估计的概率后验分布的预测，并在一组基准方法相比，MD-CGAN模型表现良好，特别是在噪声是一个重要组成部分的情况下观察到的时间序列。此外，通过使用高斯混合模型作为输出分布，MD-CGAN提供了非高斯的后验预测。
2020-12-04 cs.LG stat.ML
Learning from Label Proportions with Generative Adversarial Networks
University of Chinese Academy of Sciences（中国科学院大学）；University of International Business and Economics（对外经济贸易大学）
在本文中，我们利用生成对抗网络（GANs）来推导一个有效的算法LLP-GAN，用于从标签比例（LLP）中学习，其中只有标签中的袋级比例信息可用。LLP-GAN具有端到端的结构，根据对抗学习机制进行近似，而不会对分布进行限制性假设。因此，我们可以直接在实例级分类器上进行归纳。在适度的假设下，我们给出了显式的生成表示，并证明了LLP-GAN的全局最优性。此外，与现有的方法相比，我们的工作赋予LLP求解器从深层模型继承能力的可扩展性。基准数据集上的几个实验证明了所提出的方法的生动的优势。
2019-12-02 cs.LG stat.ML
MisGAN: Learning from Incomplete Data with Generative Adversarial Networks
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Shanghai Jiao Tong University（上海交通大学）
生成对抗网络（GANs）已被证明提供了一种有效的方法来模拟复杂的分布，并在各种具有挑战性的任务中取得了令人印象深刻的结果。然而，典型的GANs在训练期间需要完全观察到的数据。在本文中，我们提出了一个基于GAN的框架，用于从复杂的高维不完整数据中学习。所提出的框架学习一个完整的数据生成器以及一个掩码生成器，该掩码生成器对丢失的数据分布进行建模。我们进一步展示了如何通过为我们的框架配备一个经过逆向训练的估算器来估算缺失数据。我们评估所提出的框架，使用一系列的实验与几种类型的缺失数据的过程下完全随机缺失的假设。
2019-02-25 cs.LG stat.ML
Bidirectional Conditional Generative Adversarial Networks
USC Information Sciences Institute（南加州大学信息科学研究所）
条件生成对抗网络（cGAN）是生成模型，其可以产生以潜在变量（$z$）和已知辅助信息（$c$）为条件的数据样本（$x$）。我们提出了双向cGAN（BiCoGAN），其在生成过程中有效地解开$z$和$c$，并提供了一个编码器，该编码器学习从$x$到$z$和$c$的逆映射，与生成器和训练器联合训练。我们提出了训练BiCoGAN的关键技术，其中涉及外在因素损失以及相关的动态调整的重要性权重。与其他基于编码器的cGAN相比，BiCoGAN更准确地编码$c$，并且更有效地利用$z$和$c$，并且以更不纠缠的方式生成样本。
2018-11-03 cs.LG stat.ML
MAGAN: Margin Adaptation for Generative Adversarial Networks
Imperial College London（伦敦帝国理工学院）
我们提出了生成对抗网络（MAGANs）算法的边缘自适应，这是一种新的GANs训练过程，通过使用自适应铰链损失函数来提高稳定性和性能。我们估计适当的铰链损失利润率与预期的能量的目标分布，并得出原则性的标准时，更新的利润率。我们证明了我们的方法在一定的假设下收敛到全局最优。在无监督图像生成任务上进行评估，所提出的训练过程在不同的数据集上简单而稳健，并且与最先进的技术相比实现了定性和定量的改进。
2017-05-23 cs.LG stat.ML
Linking Generative Adversarial Learning and Binary Classification
在这篇文章中，我们指出了生成对抗（GA）训练和二进制分类之间的基本联系-任何强大的分类器本质上都会计算真实样本和生成样本之间的（f-）分歧。在决策理论中反复重新推导的结果对GA网络（GANs）具有影响，通过设计模糊损失函数，为训练f-GANs提供了另一种视角。
2017-09-05 cs.AI cs.LG stat.ML
Latent Dirichlet Allocation in Generative Adversarial Networks
University of Electronic Science and Technology of China（电子科技大学）
我们研究了基于生成对抗网络（GANs）的图像多模态生成建模问题。尽管现有的方法取得了成功，但它们往往忽略了视觉数据的底层结构或其多模态生成特性。为了解决这个问题，我们引入狄利克雷先验的多模态图像生成，这导致了一个新的潜在狄利克雷分配的GAN（LDAGAN）。详细地，对于生成过程建模，LDAGAN为每个样本定义生成模式，确定其属于哪个生成子过程。对于对抗训练，LDAGAN推导出一种变分期望最大化（VEM）算法来估计模型参数。在真实数据集上的实验结果表明，LDAGAN的性能优于其他现有的GANs。
2019-11-06 cs.CV cs.LG stat.ML
Generative Adversarial Networks: recent developments
Wrocław University of Science and Technology（弗罗茨瓦夫科技大学）；Tooploox Ltd.（图普洛克斯有限公司）
在传统的生成式建模中，良好的数据表示通常是良好的机器学习模型的基础。它可以链接到编码更多隐藏在原始数据中的解释性因素的良好表示。随着生成对抗网络（GANs）的发明，生成模型的一个子类，能够以无监督和半监督的方式学习表示，我们现在能够从简单的先验分布到目标数据分布的良好映射。本文概述了GANs的最新发展，重点是学习潜在空间表示。
2019-03-16 cs.CV cs.LG stat.ML
Graphical Generative Adversarial Networks
Tsinghua University（清华大学）；University of Amsterdam（阿姆斯特丹大学）；Canadian Institute for Advanced Research（加拿大高等研究院）
我们提出了图形生成对抗网络（Graphical-GAN）来建模结构化数据。Graphical-GAN结合了贝叶斯网络在复杂表示随机变量之间的依赖结构方面的能力和生成对抗网络在学习表达依赖函数方面的能力。我们引入了一个结构化的识别模型来推断潜变量的后验分布的观察。我们推广的期望传播（EP）算法学习的生成模型和识别模型联合。最后，我们提出了两个重要的图形-GAN的实例，即高斯混合GAN（GM GAN）和状态空间GAN（SS GAN），它们可以成功地学习离散和时间结构的视觉数据集，分别。
2018-12-12 cs.CV cs.LG stat.ML
Evolutionary Generative Adversarial Networks
University of Technology Sydney（悉尼科技大学）；The University of Sydney（悉尼大学）；Southern University of Science and Technology（南方科技大学）；University of Birmingham（伯明翰大学）
生成对抗网络（GAN）对于学习真实世界数据的生成模型是有效的。然而，现有的GANs（GAN及其变体）往往会遭受训练问题，例如不稳定性和模式坍塌。在本文中，我们提出了一种新的GAN框架，称为进化生成对抗网络（E-GAN），用于稳定的GAN训练和改进的生成性能。与现有的GANs不同，GANs采用预定义的对抗目标函数交替训练生成器和训练器，我们利用不同的对抗训练目标作为变异操作，并进化生成器群体以适应环境（即，的）。我们还利用评估机制来衡量生成的样本的质量和多样性，以便只保留性能良好的生成器并用于进一步的训练。通过这种方式，E-GAN克服了个体对抗训练目标的局限性，并始终保留最佳后代，有助于GANs的进步和成功。在多个数据集上的实验表明，E-GAN实现了令人信服的生成性能，并减少了现有GANs中固有的训练问题。
2018-03-01 cs.LG cs.NE stat.ML
Training Generative Adversarial Networks Via Turing Test
School of Mathematics（数学学院）；Sun Yat-sen University（中山大学）
在这篇文章中，我们介绍了一种用于训练生成对抗网络（GANs）的新模式。我们不是最小化证据分布$\tilde{p}(x)$和生成分布$q(x)$的距离，而是最小化$\tilde{p}(x_r)q(x_f)$和$\tilde{p}(x_f)q(x_r)$的距离。这种对抗模式可以被解释为GANs中的图灵测试。它允许我们在训练生成器的过程中使用真实样本的信息，加快了整个训练过程。我们甚至发现，只要按比例增加矩阵和生成器的大小，它就可以在256x256分辨率上成功，而无需仔细调整超参数。
2018-10-27 cs.CV cs.LG stat.ML
FairGAN: Fairness-aware Generative Adversarial Networks
University of Arkansas（阿肯色大学）
公平感知学习在数据采掘中越来越重要。歧视预防的目的是在训练数据用于进行预测分析之前，防止在训练数据中出现歧视。在本文中，我们专注于公平的数据生成，确保生成的数据是无歧视的。受生成对抗网络（GAN）的启发，我们提出了一种公平感知的生成对抗网络，称为公平GAN，它能够学习生成公平数据的生成器，并保持良好的数据效用。与朴素的公平数据生成模型相比，FairGAN进一步保证了在生成数据上训练的分类器可以在真实数据上实现公平分类。在真实数据集上的实验表明了FairGAN的有效性。
2018-05-28 cs.CY cs.LG stat.ML
Modeling documents with Generative Adversarial Networks
Aylien Ltd.（Aylien有限公司）
本文描述了一种使用生成对抗网络来学习自然语言文档的分布式表示的方法。我们提出了一个模型，该模型是基于最近提出的基于能量的GAN，而是使用一个去噪自动编码器作为网络。文档表示提取的隐藏层中的隐藏层和定量和定性的评价。
2016-12-29 cs.LG
Bidirectional Generative Modeling Using Adversarial Gradient Estimation
The Hong Kong University of Science and Technology（香港科技大学）
本文考虑了双向生成建模的一般$f$ -发散公式，其中包括VAE和BiGAN作为特例。我们提出了一种新的优化方法，这种配方，其中的梯度计算使用一个adversarially学习的神经网络。在我们的框架中，我们表明，不同的分歧诱导类似的算法在梯度评估，除了不同的缩放。因此，本文给出了一个一般配方的一类原则性的$f$ -发散的生成式建模方法。理论的理由和广泛的实证研究，证明我们的方法比现有的方法的优势。
2020-06-30 cs.CV cs.LG stat.ML
NIPS 2016 Tutorial: Generative Adversarial Networks
OpenAI
本报告总结了作者在NIPS 2016上介绍的关于生成对抗网络（GANs）的教程。该教程介绍：（1）为什么生成建模是一个值得研究的话题，（2）生成模型如何工作，以及GANs与其他生成模型的比较，（3）GANs如何工作的细节，（4）GANs的研究前沿，以及（5）将GANs与其他方法相结合的最先进的图像模型。最后，本教程包含三个练习供读者完成，以及这些练习的解决方案。
2017-04-03 cs.LG
Tensorizing Generative Adversarial Nets
RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Saitama Institute of Technology（埼玉工业大学）
生成对抗网络（GAN）及其变体在生成模型中表现出最先进的性能。为了捕获更高维的分布，通常的学习过程需要高的计算复杂性和大量的参数。当将其部署在具有有限计算能力的平台（例如移动电话）上时，会出现采用这种大型框架的问题。在本文中，我们提出了一种新的生成对抗框架，将每一层表示为通过多线性运算连接的张量结构，旨在将模型参数的数量减少一个很大的因素，同时保持生成性能和样本质量。为了学习模型，我们采用了一种有效的算法，交替优化的发电机和发电机。实验结果表明，我们的模型可以实现高压缩率的模型参数$35$倍相比，原始GAN的MNIST数据集。
2018-03-30 cs.AI cs.LG stat.ML
Adversarial Machine Learning And Speech Emotion Recognition: Utilizing Generative Adversarial Networks For Robustness
Information Technology University (ITU)-Punjab（旁遮普信息技术大学）；University of Southern Queensland（南昆士兰大学）
深度学习无疑为最先进的语音情感识别（SER）系统的性能提供了巨大的改进。然而，最近对对抗性示例的研究对SER系统的鲁棒性提出了巨大的挑战，因为它们只依赖于小而不可感知的扰动，因此显示了深度神经网络对对抗性示例的敏感性。在这项研究中，我们评估了如何对抗的例子可以用来攻击SER系统，并提出了第一个黑盒对抗攻击SER系统。我们还探索了潜在的防御措施，包括对抗训练和生成对抗网络（GAN），以增强鲁棒性。实验评估表明，有效利用对抗性示例的各个有趣方面有助于实现SER系统的鲁棒性，为研究人员在这一领域进一步创新提供了机会。
2018-12-30 cs.CR cs.LG eess.SP
Versatile Auxiliary Classifier with Generative Adversarial Network (VAC+GAN), Multi Class Scenarios
National University of Ireland Galway（爱尔兰国立大学戈尔韦分校）
条件生成器学习多类场景中每个类的数据分布，并在给定潜在空间的正确输入的情况下为特定类生成样本。在这项工作中，被称为“多功能辅助分类器与生成对抗网络“的多类场景的方法。在这种技术中，生成对抗网络（GAN）的生成器通过将多类分类器与PNN网络并行放置并通过生成器反向传播分类错误而变成条件生成器。这种技术是通用的，足以应用于任何GAN实现。在两个数据库上的结果以及与其他方法的比较。
2018-06-19 cs.LG eess.IV stat.ML
Generating Natural Language Adversarial Examples on a Large Scale with Generative Models
Ant Financial Services Group（蚂蚁金融服务集团）；Zhejiang University（浙江大学）；University of Southern California（南加利福尼亚大学）
目前文本分类模型已经得到了广泛的应用。然而，这些分类器被发现很容易被对抗性的例子所欺骗。幸运的是，标准的攻击方法以成对的方式生成对抗性文本，也就是说，对抗性文本只能通过替换几个单词来从真实世界的文本中创建。在许多应用中，这些文本的数量有限，因此它们对应的对抗性示例往往不够多样，有时难以阅读，因此可以很容易地被人类检测到，并且不能大规模地制造混乱。在本文中，我们提出了一个端到端的解决方案，使用生成模型从头开始有效地生成对抗性文本，而不限于干扰给定的文本。我们称之为无限制的对抗性文本生成。具体来说，我们训练一个条件变分自编码器（VAE）与一个额外的对抗性损失，以指导生成对抗性的例子。此外，为了提高对抗文本的有效性，我们利用判别器和生成对抗网络（GANs）的训练框架，使对抗文本与真实数据一致。在情感分析上的实验结果证明了该方法的可扩展性和有效性。它可以以比现有方法更高的成功率攻击文本分类模型，同时为人类提供可接受的质量。
2020-03-10 cs.CL cs.LG stat.ML
Generative Adversarial Source Separation
UIUC（伊利诺伊大学厄巴纳-香槟分校）；Adobe Systems（Adobe系统公司）
生成式声源分离方法，如非负矩阵分解（NMF）或自动编码器，依赖于输出概率密度的假设。生成对抗网络（GANs）可以学习数据分布，而无需对输出密度进行参数假设。我们在语音声源分离实验中表明，用Wasserstein-GAN公式训练的多层感知器在源失真比方面优于NMF，用最大似然训练的自动编码器和变分自动编码器。
2017-10-30 cs.LG cs.NE cs.SD
Precise Recovery of Latent Vectors from Generative Adversarial Networks
University of California, San Diego（加州大学圣地亚哥分校）
生成对抗网络（GANs）将潜在向量转换为视觉上合理的图像。通常认为，原始的GAN公式没有给出开箱即用的方法来反转映射，将图像投影回潜在空间。我们介绍一个简单的，基于梯度的技术称为随机裁剪。在实验中，对于由GAN生成的图像，我们100%准确地恢复了它们的潜在向量前图像。实验结果表明，该方法对噪声具有较好的鲁棒性.最后，我们表明，即使是看不见的图像，我们的方法似乎恢复独特的编码。
2017-02-17 cs.LG cs.NE stat.ML
Ways of Conditioning Generative Adversarial Networks
Seoul National University（首尔大学）
GANs是生成模型，其随机样本真实地反映了自然图像。它还可以通过将条件向量连接到输入中来生成具有特定属性的样本，但这方面的研究还没有得到很好的研究。我们提出了调节生成对抗网络（GANs）的新方法，这些方法在MNIST和CIFAR-10上实现了最先进的结果。我们主要介绍了两个模型：一个是从样本中提取条件信息的信息检索模型，一个是从图像和条件向量的空间叉积中形成双线性特征的空间双线性池模型。这些方法显着提高对数似然测试数据下的条件分布相比，串联的方法。
2016-11-04 cs.AI cs.LG stat.ML
Quantum generative adversarial networks
Xanadu
量子机器学习有望成为近期量子设备的首批潜在通用应用之一。经典机器学习最近的一个重大突破是生成对抗训练的概念，其中一个训练模型的梯度被用来训练一个单独的生成模型。在这项工作和一篇配套论文中，我们将对抗训练扩展到量子领域，并展示了如何使用量子线路构建生成对抗网络。此外，我们还展示了如何使用另一个量子线路计算梯度-生成对抗网络训练中的关键要素。我们给出了一个简单的实用电路模型的例子来参数化量子机器学习模型，并进行了一个简单的数值实验来证明量子生成对抗网络可以成功训练。
2018-04-30 cs.LG quant-ph
Unsupervised MRI Reconstruction with Generative Adversarial Networks
Stanford University（斯坦福大学）
基于深度学习的图像重建方法在多种MRI应用中取得了令人鼓舞的结果。然而，大多数方法需要大规模的完全采样的地面真实数据进行监督训练。获取完全采样的数据通常是困难的或不可能的，特别是对于动态对比增强（DCE）、3D心脏电影和4D血流。我们提出了一个深度学习框架，用于MRI重建，而无需使用生成对抗网络的任何完全采样数据。我们在两种情况下测试所提出的方法：回顾性欠采样快速自旋回波膝关节检查和前瞻性欠采样腹部DCE。与传统方法相比，该方法恢复更多的解剖结构。
2020-08-29 cs.LG eess.IV stat.ML
Flow-GAN: Combining Maximum Likelihood and Adversarial Learning in Generative Models
Stanford University（斯坦福大学）
概率模型的对抗学习最近已经成为最大似然的一种有前途的替代方案。与通过最大似然训练的显式模型相比，生成对抗网络（GAN）等隐式模型通常会生成更好的样本。然而，GANs回避了显式密度的表征，这使得定量评估具有挑战性。为了弥合这一差距，我们提出了Flow-GAN，这是一种生成对抗网络，我们可以对其进行精确的似然评估，从而支持对抗和最大似然训练。当进行逆向训练时，Flow-GAN生成高质量的样本，但获得极差的对数似然分数，甚至不如记忆训练数据的混合模型;当通过最大似然训练时，情况正好相反。MNIST和CIFAR-10上的结果表明，混合训练可以获得高的保持概率，同时保持生成的样本的视觉保真度。
2018-01-03 cs.AI cs.LG cs.NE
Adversarial Variational Bayes: Unifying Variational Autoencoders and Generative Adversarial Networks
MPI Tübingen（图宾根马普研究所）；Microsoft Research Cambridge（微软剑桥研究院）；ETH Zürich（苏黎世联邦理工学院）
变分自编码器（VAE）是一种表达性的潜变量模型，可用于从训练数据中学习复杂的概率分布。然而，最终模型的质量主要依赖于推理模型的表达能力。我们介绍了对抗变分贝叶斯（AVB），一种用于训练具有任意表达推理模型的变分自编码器的技术。我们通过引入一个辅助判别网络来实现这一目标，该网络允许将最大似然问题重新表述为两人游戏，从而在VAE和生成对抗网络（GANs）之间建立原则性联系。我们表明，在非参数限制，我们的方法产生一个确切的最大似然分配的生成模型的参数，以及确切的后验分布的潜变量给定的观察。与将VAE与GANs相结合的竞争方法相反，我们的方法具有明确的理论依据，保留了标准变分自编码器的大多数优点，并且易于实现。
2018-06-11 cs.LG
Synthesizing Unrestricted False Positive Adversarial Objects Using Generative Models
ETH Zurich（苏黎世联邦理工学院）；ABB Future Labs（ABB未来实验室）
对抗性示例是被神经网络错误分类的数据点。最初，对抗性示例仅限于向给定图像添加小扰动。最近的工作引入了无限制对抗示例的广义概念，对添加的扰动没有限制。在本文中，我们介绍了一种新的攻击类别，它可以为目标检测创建不受限制的对抗性示例。我们的关键思想是生成与目标对象检测器识别的类无关的对抗对象。与以前的攻击不同，我们使用现成的生成对抗网络（GAN），不需要任何进一步的训练或修改。我们的方法包括搜索潜在的正常空间的GAN的敌对对象被错误地识别的目标对象检测器。我们在常用的Faster R-CNN ResNet-101，Inception v2和SSD Mobilenet v1对象检测器上使用在CIFAR-10上训练的徽标生成iWGAN-LC和SNGAN来评估这种方法。实验结果表明，生成的对抗对象与GANs生成的非对抗对象无法区分，在对象检测器之间可转移，并且在物理世界中具有鲁棒性。这是第一次研究用于目标检测的无限制假阳性对抗示例。
2020-05-19 cs.CR cs.CV cs.LG
Constructing Unrestricted Adversarial Examples with Generative Models
Stanford University（斯坦福大学）；Microsoft Research（微软研究院）
对抗性示例通常通过在小矩阵范数内扰动现有数据点来构建，当前的防御方法主要集中在防范这种类型的攻击。在本文中，我们提出了无限制的对抗性示例，这是一种新的威胁模型，其中攻击者不限于小的范数有界扰动。与基于扰动的攻击不同，我们建议使用条件生成模型完全从头开始合成不受限制的对抗性示例。具体来说，我们首先训练一个辅助分类器生成对抗网络（AC-GAN）来对数据样本上的类条件分布进行建模。然后，以所需类别为条件，我们在AC-GAN潜在空间中搜索，以找到可能在生成模型下并且被目标分类器错误分类的图像。我们通过人工评估证明，以这种方式生成的不受限制的对抗性示例是合法的，并且属于所需的类。我们在MNIST、SVHN和CelebA数据集上的实证结果表明，不受限制的对抗性示例可以绕过针对传统对抗攻击设计的强对抗性训练和认证防御方法。
2018-12-02 cs.AI cs.CR cs.CV
A Non-Adversarial Approach to Idempotent Generative Modelling
KTH Royal Institute of Technology（皇家理工学院）；Uppsala University（乌普萨拉大学）
针对IGNs因对抗性目标导致的模式崩溃与训练不稳定问题，提出NAIGNs，通过结合重构与IMLE的非对抗性生成目标，提升了数据恢复与生成能力，并隐式学习数据流形距离场。
2025-11-04 cs.LG
Distributed Generative Adversarial Net
近年来，生成对抗网络成为研究的热点。考虑到GAN在多用户环境中的应用，本文提出了分布式GAN。它使多个用户能够在本地使用自己的数据进行训练，并生成更多样化的样本。用户不需要相互分享数据，以避免隐私泄露。近年来，商业公司纷纷推出基于人工智能的云平台，为缺乏计算能力的用户提供模型。我们希望我们的工作能够激励这些公司提供更强大的人工智能服务。
2019-11-19 cs.LG
Modeling urbanization patterns with generative adversarial networks
Massachusetts Institute of Technology（麻省理工学院）；Lawrence Berkeley National Laboratory (LBNL)（劳伦斯伯克利国家实验室）；German Aerospace Center (DLR)（德国航空航天中心）；Philips Research U.S.A.（飞利浦美国研究院）；University of California, Berkeley（加州大学伯克利分校）
在这项研究中，我们提出了一种新的方法来模拟超现实的城市模式，使用生成对抗网络训练与全球城市土地利用清单。我们生成了一个合成的城市“宇宙”，它在质量上再现了在全球城市模式中观察到的复杂空间组织，同时能够定量地恢复某些关键的高层次城市空间指标。
2018-01-08 cs.LG
Imputation of Missing Data with Class Imbalance using Conditional Generative Adversarial Networks
缺失数据是现实世界数据集面临的一个常见问题。插补是一种广泛使用的估计缺失数据的技术。最先进的插补方法，如生成对抗插补网络（GAIN），对观察数据的分布进行建模，以近似缺失值。这种方法通常为整个数据集建模单个分布，忽略了数据的类特定特征。当存在类不平衡时，类特定的特征特别有用。我们提出了一种新的方法，通过适应流行的条件生成对抗网络（CGAN）的基础上，其类特定的特征，填补缺失数据。我们的条件生成对抗插补网络（CGAIN）使用特定于类的分布来插补缺失数据，这可以为缺失值产生最佳估计。我们在基准数据集上测试了我们的方法，并与最先进和流行的插补方法相比，取得了优异的性能。
2020-12-01 cs.LG
Generative Adversarial Privacy
Arizona State University（亚利桑那州立大学）；Stanford University（斯坦福大学）
我们提出了一个数据驱动的框架，称为生成对抗隐私（GAP）。受生成对抗网络（GANs）最新进展的启发，GAP允许数据持有者直接从数据中学习私有化机制。在GAP下，找到最佳的隐私机制制定为私有化者和对手之间的约束极大极小博弈。我们表明，适当选择的对抗性损失函数，GAP提供隐私保证，对强大的信息理论的对手。我们还评估了GAP的性能上的GENKI人脸数据库。
2019-06-26 cs.CR cs.GT cs.IT
