Grenzen-suchende generative gegnerische Netzwerke

Generative gegnerische Netzwerke (GANs) sind ein Lernrahmen, der auf der Ausbildung eines Diskriminators beruht, um ein Maß für den Unterschied zwischen einer Ziel- und einer generierten Verteilung zu schätzen. GANs, wie sie normalerweise formuliert sind, setzen voraus, dass die generierten Proben vollständig differenzierbar in Bezug auf die generativen Parameter sind, und funktionieren daher nicht für diskrete Daten. Wir stellen eine Methode zur Ausbildung von GANs mit diskreten Daten vor, die das geschätzte Unterschiedsmaß des Diskriminators verwendet, um Wichtigkeitsgewichte für generierte Proben zu berechnen, wodurch ein Policy-Gradient für das Training des Generators bereitgestellt wird. Die Wichtigkeitsgewichte haben eine starke Verbindung zur Entscheidungsgrenze des Diskriminators, und wir nennen unsere Methode grenzensuchende GANs (BGANs). Wir demonstrieren die Effektivität des vorgeschlagenen Algorithmus mit diskreten Bild- und zeichenzentrierten natürlichen Sprachgenerationen. Darüber hinaus erstreckt sich das zielgerichtete Prinzip auf kontinuierliche Daten, die zur Verbesserung der Stabilität des Trainings verwendet werden können, und wir demonstrieren dies an Celeba, Large-scale Scene Understanding (LSUN) Schlafzimmern und Imagenet ohne Bedingung.