伯克利《生成对抗网络》综述

地址：

https://sites.google.com/view/berkeley-cs294-158-sp20/

主要由UC伯克利教授Pieter Abbeel主讲，他曾师从吴恩达，现任伯克利机器人学习实验室主任、伯克利人工智能研究（BAIR）实验室联合主任；covariant.ai联合创始人，总裁兼首席科学家、OpenAI顾问。

• 隐式模型的动机和定义
• 原始GAN (Goodfellow et al, 2014)
• 评估指标: Parzen、Inception、Frechet
• 一些理论: 贝叶斯最优判别器; Jensen-Shannon散度; 模式崩溃; 避免饱和
• GAN进展 DCGAN (Radford et al, 2016) 改进GANs训练(Salimans et al, 2016) WGAN, WGAN- gp, Progressive GAN, SN-GAN, SAGAN BigGAN, BigGAN- deep, StyleGAN, StyleGAN-v2, VIB-GAN
• 极具创造力的条件GAN
• GANs与表征
• GANs作为能量模型
• GANs与最优传输，隐式似然模型，矩匹配?
• 对抗性损失的其他用途：迁移学习等
• GANs和模仿学习

摘录部分如下：