Least Squares Generative Adversarial Networks
每天一篇论文,本人可能对论文的理解程度有限,欢迎评论批评指教。
这篇文章说如果用sigmoid交叉熵的损失函数会将决策边侧认定为正确的假的样本地更新生成器的梯度消失,非常绕口,个人理解应该是损失函数不好,有些假的样本也会通过辨别器。因此这边文章改了损失函数,Least Squares Generative Adversarial Networks (LSGANs) 这种方法将辨别器采用最小乘方的损失函数方法,因为这种方法可以惩罚离正确的决策边缘远的地方的样本,同时,最小化目标函数比最小化Pearson χ 2 divergence更好,这里我就不大懂。
这里有英文的解说:http://wiseodd.github.io/techblog/2017/03/02/least-squares-gan/
还有中文翻译的解说:http://www.caoqun.cn/yejie/37066.html