論文信息

論文題目：Improving mode exploring capability ofgenerative adversarial nets by self-organizing map（利用自組織映射提高生成對抗網絡的模式探索能力）

期刊：Neurocomputing

摘要：生成對抗網絡(GANs)的出現將生成模型的研究推向了一個新的高潮。支持這一進步的是體系結構、損失函數設計和正則化方面的巨大改進。然而，面對復雜多樣的數據分布，各種GAN變體仍然存在模式覆蓋不完全甚至模式崩潰的問題。在本文中，我們提出了一種用一個生成器和混合鑒別器來訓練gan的新方法，以克服模態崩潰問題。在我們的模型中，每個鑒別器不僅可以區分真實和虛假樣本，還可以區分數據集中的模式。從本質上講，它是將自組織映射(Self-Organizing Map)這一經典聚類思想和多鑒別器結合為一個統一的優化目標。具體來說，我們在多個鑒別器上定義了一個拓撲結構，以使生成的樣本多樣化并捕獲多模式。我們將這種方法稱為自組織映射生成對抗網絡(SOMGAN)。通過使用參數共享技巧，與具有單個鑒別器的gan相比，所提出的模型需要很少的額外計算。在我們的實驗中，該方法涵蓋了多種