我学者解决生成对抗网络的模式崩溃问题
记者从中国科学技术大学获悉，该校九韶团队研究了模式崩溃发生的根本机理，基于数学理论分析提出了一种新方法定量检测和解决生成对抗网络（GANs）中的模式崩溃问题。该成果日前发表于国际学术期刊《IEEE模式分析与机器智能汇刊》。
生成对抗网络（GAN），是广泛使用的生成模型。其通过学习真实样本的分布，被用于合成复杂逼真的数据。然而，模式崩溃是生成对抗网络面临的一个重要挑战，即生成样本的多样性明显低于真实样本的多样性，这对进一步应用造成了困扰。由于生成对抗网络及其训练过程的复杂性，涉及多种可能的因素和环节，一直无法明确究竟是何种机理导致模式崩溃的发生。
经过深入研究，研究团队发现了生成对抗网络产生模式崩溃的根本机理。理论分析表明，当真实数据存在多个模式时，生成器损失函数关于其参数是非凸的。具体而言，导致生成分布仅覆盖真实分布的部分模式的参数，是生成器损失函数的局部极小点。
为了解决模式崩溃问题，研究团队提出了一个统一的框架，称为动态生成对抗网络（DynGAN）。该方法通过对可观察的判别器输出设置相应阈值，检测出生成器无法生成的样本，即崩溃样。根据这些崩溃样本划分训练集，然后在这些划分上训练动态条件的生成模型。
这项研究结果理论确保了所提新方法DynGAN的渐进式模式覆盖。合成数据集和现实世界数据集的实验表明，DynGAN在克服模式崩溃方面超过了现有GAN及其变体。研究人员表示，该研究工作不仅推进了生成对抗网络的理论研究，也为完善生成模型的模式覆盖提供了重要的实现手段。
（中国科大供图）
记者从中国科学技术大学获悉，该校九韶团队研究了模式崩溃发生的根本机理，基于数学理论分析提出了一种新方法定量检测和解决生成对抗网络（GANs）中的模式崩溃问题。该成果日前发表于国际学术期刊《IEEE模式分析与机器智能汇刊》。
生成对抗网络（GAN），是广泛使用的生成模型。其通过学习真实样本的分布，被用于合成复杂逼真的数据。然而，模式崩溃是生成对抗网络面临的一个重要挑战，即生成样本的多样性明显低于真实样本的多样性，这对进一步应用造成了困扰。由于生成对抗网络及其训练过程的复杂性，涉及多种可能的因素和环节，一直无法明确究竟是何种机理导致模式崩溃的发生。
经过深入研究，研究团队发现了生成对抗网络产生模式崩溃的根本机理。理论分析表明，当真实数据存在多个模式时，生成器损失函数关于其参数是非凸的。具体而言，导致生成分布仅覆盖真实分布的部分模式的参数，是生成器损失函数的局部极小点。
为了解决模式崩溃问题，研究团队提出了一个统一的框架，称为动态生成对抗网络（DynGAN）。该方法通过对可观察的判别器输出设置相应阈值，检测出生成器无法生成的样本，即崩溃样。根据这些崩溃样本划分训练集，然后在这些划分上训练动态条件的生成模型。
这项研究结果理论确保了所提新方法DynGAN的渐进式模式覆盖。合成数据集和现实世界数据集的实验表明，DynGAN在克服模式崩溃方面超过了现有GAN及其变体。研究人员表示，该研究工作不仅推进了生成对抗网络的理论研究，也为完善生成模型的模式覆盖提供了重要的实现手段。
（中国科大供图）
本文链接：http://m.sushuapos.com/show-2-3284-0.html我学者解决生成对抗网络的模式崩溃问题
声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。
