Graphical Generative Adversarial Networks

最新推荐文章于 2024-07-18 14:29:01 发布

qq_36356761

最新推荐文章于 2024-07-18 14:29:01 发布

阅读量779

点赞数

分类专栏： paper reading notes

本文链接：https://blog.csdn.net/qq_36356761/article/details/80799594

版权

Graphical Generative Adversarial Networks (Graphical GAN) 利用Bayes网络揭示图像的结构信息，并通过深度隐式似然函数处理复杂数据。研究提出两种训练方法：全局算法和局部算法。文章介绍了Gaussian Mixture GAN (GMGAN) 和 State Space GAN (SSGAN) 的具体实现。GMGAN与SSGAN的结构对比展示了显变量和隐变量的处理方式，其中隐式概率模型用于从Z到X的确定性转换，而预设概率模型则提供X的显式似然函数。此外，还讨论了利用识别模型进行近似后验推断的方法。

摘要由CSDN通过智能技术生成

Graphical Generative Adversarial Networks

Chongxuan Li, Max Welling, Jun Zhu, Bo Zhang

Abstract

Graphical GAN, 建模图像的结构信息（最近的好几篇工作都是围绕这个问题）
两种训练方法：global algorithm treats all variables as a wholel, ocal algorithm discriminates the individual local factors defined by the generative model separately.
两个Graphical GAN的具体实现，Gaussian Mixture GAN, State Space GAN

Introduction

Graphical GAN用Bayes网络表示变量间结构信息，还用深度隐式似然函数建模复杂数据，如图
这里写图片描述
左边表示GMGAN，右边表示SSGAN。白色圈表示显变量（可观测），灰色圈表示隐变量，单圈表示确定变量，双圈表示随机变量。 $\theta$ 表示全局参数。
implicit probabilistic models: deterministically transform Z to X and the likelihood can be intractable
prescribed probabilistic models: define the likelihood functions for X with an explicit specification
amortized inference: introduce a recognition model, which is a family of distributions of a simple form, to approximate the true posterior
mean-field assumption: all of the dependency structures among the latent variables are ignored and the approximate posterior could be factorized as