生成对抗网络(GAN)

生成对抗网络(GAN)

paper原文:Generative Adversarial Networks

概览

做了什么

• 提出了新的模型对抗模型
  
  • 通过生成模型(G)与鉴别模型(D)之间的相互竞争。即D模型要将 G 生成假数据调出，而 G 模型要设法“骗过”D 模型的鉴别，最终提高 G 模型的生成质量
  • 通过实验当 D 最终结果稳定在$\frac{1}{2}$时 G 模型生成效果最好。

优势

• 不需要使用Markov 决策框架
• 框架移植性强，可以用于各种训练、优化算法，以及现有的模型中。
• 两个模型都仅仅使用了后向传播与dropout算法
• G 模型生成样本只需要使用前向传播

不足

• 在当时未能明确找到代表$p_g(x)$产物
• D 与 G 的训练必须同步，换句话说 G 不能脱离 D 的训练而更新多次。（防止出现Helvetica scenario问题）

模型组成

生成模型 G

• 通过噪声（一维序列）生成样本，尽力混淆 D 模型的鉴定。
• 随机噪声通过多层感知机生成
• 通过多层感知机输入$p_z(z)$映射到数据空间$G(z;\theta_g)$
• 训练 G 来最小化概率$log(1 - D(G(z)))$.使得从噪声生成的数据足够真实。

鉴别模型 D

• D 主要是学习数据来源到底是来自真实数据，还是生成数据。
• 本质为二分类器
• 数值$D(x)$代表 x 是由真实数据获得并非由 G 生成的概率
• 同样使用多层感知机结构
• 训练 D 来最大化概率$D(x)$，使得 D 精于鉴别噪声数据

核心公式

minG