【论文阅读】MD-GAN: Multi-Discriminator Generative Adversarial Networks for Distributed Datasets

已于 2024-01-25 10:23:07 修改
阅读量197 收藏
点赞数
分类专栏： 论文阅读 # 神经网络 # 多方数据填补 文章标签： 论文阅读 生成对抗网络 人工智能 神经网络 深度学习
于 2023-11-14 20:12:39 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45142381/article/details/134407006
版权

论文地址：[1811.03850] MD-GAN: Multi-Discriminator Generative Adversarial Networks for Distributed Datasets (arxiv.org)

本文介绍了一种名为MD-GAN的新方法，可以在分布式数据集上训练生成对抗网络（GAN）。文章首先介绍了GAN的背景和构成，然后提出了分布式GAN训练的挑战，即如何在多个工作节点上细粒度地分配GAN的两个组件：生成器和判别器。为了解决这个问题，作者提出了MD-GAN，使用单个生成器和多个判别器，并使用点对点通信模式在工作节点之间传递判别器。作者还比较了MD-GAN和联邦学习对GAN（在这里作者提出了一个将联邦学习和GAN结合的方法FL-GAN）的性能，使用了MNIST和CIFAR10数据集，并进行了实验。最后，作者讨论了分布式GAN的现实意义以及未来的研究方向。

Q1：论文试图解决一个什么问题？

这篇论文试图解决分布式数据集上的生成对抗网络（GAN&#

最低0.47元/天 解锁文章
轩軒轩儿
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
【论文笔记】Mixture Density Generative Adversarial Networks 混合密度生成对抗网络
nymph_h的博客
07-19 1295
论文地址：https://arxiv.org/pdf/1811.00152.pdf 1. 摘要翻译： 传统的GAN存在模型崩溃的风险。因此本文提出了一种称为混合密度GAN的变体，通过鼓励分类器在它的嵌入空间形成聚类来解决模型崩溃的问题。以此轮流引导产生器利用这个聚类并发现数据中不同的模型。这是通过将高斯密度函数定位在单纯形的角上，将得到的高斯混合作为鉴频器嵌入上的似然函数，并根据这些似然性为GAN...
生成对抗网络.md GAN
02-23
Generative Adversarial Networks Throughout most of this book, we have talked about how to make predictions. In some form or another, we used deep neural networks learned mappings from data points to labels. This kind of learning is called discriminative learning, as in, we'd like to be able to discriminate between photos cats and photos of dogs. Classifiers and regressors are both examples of discriminative learning. And neural networks trained by backpropagation have upended everything we thought we knew about discriminative learning on large complicated datasets. Classification accuracies on high-res images has gone from useless to human-level (with some caveats) in just 5-6 years. We will spare you another spiel about all the other discriminative tasks where deep neural networks do astoundingly well.
Generative Adversarial Networks（生成对抗网络GAN，DCGAN）
热门推荐
nakaizura
03-13 2万+
Generative Adversarial Networks GAN的想法很简单，一言以蔽之：以假乱真。 Generative（生成）：GAN实际上可以看作是一个生成数据的工具。目标就是通过学习让自身生成更加真实的数据。 Adversarial （对抗）：既然能够以假乱真，对抗的自然就是识别真假的警察了。 所以GAN 主要包括了两个部分： 生成器 （Generator ）：生成器努力使生成的图像...
【每周CV论文推荐】初学基于GAN的视频生成有哪些经典论文需要阅读
hacker_long的专栏
09-14 1001
欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。当前图像生成领域的发展已经非常成熟，与之相关的视频生成领域也一直被研究，不过这是一个更难的问题，还没有那么成熟，本次我们来给大家介绍初学基于GAN的视频生成领域值得阅读的论文。作者&编辑 | 言有三1 VideoGAN和TGANVideoGAN是DC...
【论文分享】MAD-GAN ：基于生成对抗网络的时间序列数据多元异常检测
zn0412的博客
07-23 1万+
2019年ICANN文章 无监督学习 摘要         网络化传感器和执行器在许多现实系统中的普及，例如智能系统建筑物、工厂、发电厂和数据中心为这些系统生成大量的多元时间序列数据。许多这样的网络物理系统（cps）是为关键任务而设计的，因此是网络攻击的目标。丰富的传感器数据可以通过异常检测持续监控入侵事件。然而，由于这些系统的动态复杂性，传统的基于阈值的异常检测方法是不够的，而有监督的机器学习方法由于缺乏标记数据而无法利用
CVPR2018 ——(GAN)延时摄影视频的生成
gzq0723的博客
05-19 3513

 
 
 
 
 
 
 CVPR2018即将开始，陆陆续续很多优秀的作品被大家知晓。今天我们来说说又去的科研成果，也希望阅读...
unet-stylegan2:使用UNet Discriminator实现Stylegan2的Pytorch实现
03-21
使用UNet Discriminator实现Stylegan2。该存储库的工作方式与大致相同。只需将所有stylegan2_pytorch命令替换为stylegan2_pytorch unet_stylegan2 。 更新：结果非常好。将需要研究将其与其他一些技术结合起来，然后...
Matlab-GAN：生成对抗网络的MATLAB实现-从GAN到Pixel2Pixel，CycleGAN
02-02
InfoGAN（Information Maximizing Generative Adversarial Networks）是一种变种的GAN，它在生成样本的同时还试图最大化生成器和输入噪声之间的互信息，以学习更有结构性的表示。这有助于生成器生成更具有多样性和可...
voice-conversion-gan:语音的神经风格转移模型
03-28
利用生成对抗网络（Generative Adversarial Networks, GANs）可以有效地实现这种分离和转换。 GANs由两部分组成：生成器（Generator）和判别器（Discriminator）。生成器负责创建新的语音样本，试图欺骗判别器；...
big-discriminator-batch-spoofing-gan:具有更多功能的BMSG-GAN
03-16
"big-discriminator-batch-spoofing-gan:具有更多功能的BMSG-GAN" 这个标题提到了一个名为BMSG-GAN（可能代表Big Batch Spoofing Generator-Adversarial Network）的深度学习模型，它具有一个大的鉴别器和batch ...
GAN：面向通用和分布式隐私保护表示学习
02-14
隐私权 ArXiv： Github： 数据： 指示 数据集必须根据法规和版权单独下载。 驱动器包含模型检查点，培训历史记录和相应的图。 数据与项目所需的目录结构相同（粘贴在相应的文件夹中）。 docker集成用于减少设置环境的开销。 欢迎用户自己使用非docker环境。 预填充的超参数和训练日志以及预训练的模型可供评估。 Docker安装 建立Docker映像 替换gpu与cpu在docker-dl-setup/docker-compose.yml在情况下，系统不具有GPU 用于构建docker映像的脚本 cd docker-dl-setup docker-compose build 运行Docker容器 ./run-docker.sh 进入Docker容器 docker exec -it eigan_devel bash 训练 所有脚本均从scripts文件夹中的*.sh文件
生成对抗网络GAN（ Generative Adversarial Networks）63PPT，GAN原理，介绍，变体详细
最新发布
11-22
生成对抗网络（Generative Adversarial Networks，简称GANs）是一种深度学习模型，由Ian Goodfellow等人在2014年提出，旨在解决生成式建模问题，即创建新的、看似真实的样本，如图像、音频或文本。GANs的核心在于它...
生成式对抗网络（Generative Adversarial Networks，GAN）
bbbeoy的专栏
09-25 2645
在学习 Variational Auto-Encoder 时，同时注意到了 GAN 研究的火热。但当时觉得 GAN 非常不成熟（训练不稳定，依赖各种说不清的 tricks；没有有效的监控指标，需要大量的人工判断，因此难以扩展到图像之外的高维数据）。在读了 Goodfellow 的 tutorial 后[2]，开始黑转路人，觉得 GAN 虽然缺点不少，但优点也很明显。WGAN[5, 6] 等工作出现
【GAN ZOO阅读】模式正则化的生成对抗网络 MODE REGULARIZED GENERATIVE ADVERSARIAL NETWORKS
hyczkg的博客
11-16 2580
原文地址： https://arxiv.org/abs/1612.02136 引用之请注明出处。 Tong Che 1，Yanran Li 2 3，Athul Paul Jacob 1，Yoshua Bengio 1，Wenjie Li 2 1 蒙特利尔学习算法研究所，蒙特利尔大学，蒙特利尔，QC H3T 1J4，加拿大 2 香港理工大学计算机系，香港 3 滑铁卢大学计算机学院，滑铁卢，O...
CVPR2019 GAN论文分享
CloudCver
09-28 879
更新于2019-9-27 概要 2019CVPR共有12篇论文上榜，其中包含9篇改进GAN网络的文章，有 《Mode Seeking Generative Adversarial Networks for Diverse Image Synthesis》-----MSGAN 这篇文章主要针对cGAN的模型崩塌问题提出了一种正则化的思想，在原目标函数基础上加入一个输出图像之间的距离与噪声输入之间距...
李宏毅《GAN Lecture》学习笔记1 - GAN
好记性不如烂笔头
10-15 360
介绍GAN的基本原理和训练过程
2020 CVPR之GAN：MSG-GAN: Multi-Scale Gradients for Generative Adversarial Networks
makabaka的博客
07-16 1493
MSG-GAN: Multi-Scale Gradients for Generative Adversarial Networks 论文：https://arxiv.org/pdf/1903.06048.pdf 1.当前存在的问题 GAN在图像合成任务中，目前的问题在于他们不能很好的适应不同数据集，部分原因是由于训练过程的不稳定性和对超参数分析仪的敏感性（模型崩塌），不稳定的原因是，真分布与伪分布没有足够的重叠部分时，从鉴别器到生成器的梯度变得无信息。 本文提出了多尺度梯度广义对抗网络(MSG-GAN)，
生成式对抗网络（GAN）-（Generative Adversarial Networks）算法总结（从原始GAN到....目前）
weixin_44474718的博客
05-30 1万+
本文将按时间顺序总结gan的paper（非所有，会挑选个人认为比较重要的），并将参考其它博客（会给出链接），如有侵权，请私信删除。 ???? （2014.06-arXiv）GAN:Generative Adversarial Nets【论文原文】【参考文章】 ????contributions： 开山之作； 原理：生成网络和判别网络的互相对抗。生成网络尽可能生成逼真样本，判别网络则尽可能去判别该样本是真实样本，还是生成的假样本。 采用JS散度作为评判依据。 loss函数（原始gan损失函数的详细解释）：
The Six Fronts of the Generative Adversarial Networks 论文笔记
weixin_41431170的博客
09-30 550
The Six Fronts of the Generative Adversarial Networks 论文笔记

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

轩軒轩儿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值