文章目录
- 深度生成模型之GAN优化目标设计与改进
- 原始GAN优化目标的问题
-
- 优化目标的设计与改进
- 1. 最小二乘损失GAN
- 2. Energy-based GAN(EBGAN)
- 3. Wasserstein GAN
- 4. WGAN-GP
- 5. Boundary Equilibrium GAN(BEGAN)
- 6. Loss Sensitive GAN
- 7. Relativeistic GAN
深度生成模型之GAN优化目标设计与改进
原始GAN优化目标的问题
1. JS散度度量问题
2. 梯度问题
优化目标的设计与改进
1. 最小二乘损失GAN
- Least Squares GAN， 惩罚生成器生成的远离决策面的样本，即可将样本拉近决策面，从而可避免梯度消失问题
2. Energy-based GAN(EBGAN)
- 使用自编码器学习样本重建，生成器作为自编码器的正则项，更自由的目标函数，更稳定的训练
3. Wasserstein GAN
- 使用Earth-Mover距离(EM距离，推土机距离)作为优化目标，为在最优路径规划下的最小消耗
4. WGAN-GP
5. Boundary Equilibrium GAN(BEGAN)
6. Loss Sensitive GAN
- 判别器被称为损失函数L_θ(x),他对来自训练数据集中的样本x应该有较小的损失数值，对来自生成器G的样本G_Φ(z)应该有比较大的损失数值
- 当生成样本与真实样本距离不够远，产生有效损失；超过一定距离，损失为常数。
7. Relativeistic GAN
- Relativistic判别器， “给定的真实数据”比“随机抽样的假数据”更高的概率
