必读论文 | 生成对抗网络经典论文推荐10篇

生成式对抗网络（Generative adversarial networks, GAN）是当前人工智能学界最为重要的研究热点之一。其突出的生成能力不仅可用于生成各类图像和自然语言数据，还启发和推动了各类半监督学习和无监督学习任务的发展。

生成对抗网络是一种包含无监督学习的模型，通过(无监督地)向有标签样本学习其数据分布来生成类似的样本，这种过程更类似于人类学习外界知识时候采用的无监督方式。生成对抗网络可以改善一般网络模型过于依赖数据数量及标签的缺点，是近几年内最有可能提升人工智能系统性能的网络结构之一。

GAN最早由Ian Goodfellow于2014年提出，以其优越的性能，在不到两年时间里，迅速成为人工智能一大研究热点。

根据相关算法，AMiner近期最新推出了“生成式对抗网络”专题页，在该页面你可以研读近10年来GAN领域的百余篇经典论文，还可快速进行一键综述，了解GAN领域近年来的发展态势。

按照必读论文的被引用量，我们挑选了TOP10作简要分析解读，供大参考学习。

 

1.Generative Adversarial Nets（NIPS 2014）

作者：Ian J. Goodfellow，Jean Pouget-Abadie，Mehdi Mirza，Bing Xu，David Warde-Farley，Sherjil Ozair，Aaron C. Courville，Yoshua Bengio

单位：蒙特利尔大学

引用量：14468

本篇论文是Ian Goodfellow的在2014年的经典之作，也可谓是GAN的开山之作。作者提出了一个通过对抗过程估计生成模型的新框架，在新框架中同时训练两个模型：一个用来捕获数据分布的生成模型G，一个用来估计样本来自训练数据而不是G的概率的判别模型D，G的训练过程是最大化D产生错误的概率。这个框架相当于一个极小化极大的双方博弈。在任意函数G和D的空间中存在唯一的解，其中G恢复训练数据分布，并且D处处都等于1212。在G和D由多层感知器定义的情况下，整个系统可以用反向传播进行训练。在训练或生成样本期间不需要任何马尔科夫链或展开的近似推理网络。实验通过对生成的样品进行定性和定量评估来展示了该框架的潜力。

2.Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks（ICLR2015）

作者：Alec Radford，Luke Metz，Soumith Chintala