GAN以及小样本数据扩增的一些论文笔记

• 1. 几种常见的GAN介绍
• • 1.1. 原始GAN
• • 1.2. CGAN
• • 1.3. Semi-Supervised GAN
• • 1.4. AC-GAN
• 2. Data Augmentation with Few Shot Learning
• • 2.1. SMOTE
• • 2.2. WGAN
• • 2.3. BAGAN

1. 几种常见的GAN介绍

1.1. 原始GAN

arxiv: https://arxiv.org/pdf/1406.2661.pdf

作为开山之作，Ian Goodfellow提出的GAN是最原始的模型()，其余都是在这个基础上所进行的变种。

GAN由两个网络组成，生成网络Generator和判别网络Discriminator。

• Generator负责接收随机的噪声z，通过这个噪声生成样本，记为G(z)；

• Discriminator判定生成的样本是不是真实的，接收输入x，输出D(x)代表x为真实样本的概率。

通过这样我们可以知道Generator的目标是尽量生成真实的样本去欺骗Discriminator，而Discriminator要尽可能区分出真实样本和虚假样本，二者构成了动态的博弈过程，用数学语言描述即为
min ⁡ G max ⁡ D V ( D , G ) = E x ∼ p d a t a ( x ) [ log ⁡ D ( x ) ] + E z ∼ p d a t a ( z ) [ log ⁡ ( 1 − D ( G ( z ) ) ) ] \mathop{\min}_{G} \mathop{\max}_{D} V(D,G) = \mathbb{E}_{x\sim p_{data}(x)}[\log D(x)]+ \mathbb{E}_{z\sim p_{data}(z)}[\log (1-D(G(z)))] minG​maxD​V(D,G)=Ex∼pdata​(x)​[logD(x)]+Ez∼p