DeepMind高级研究员：重新理解GAN，最新算法、技巧及应用

新智元推荐

作者：Balaji Lakshminarayanan

【新智元导读】本文是DeepMind高级研究科学家Balaji Lakshminarayanan在SF AI Meetup上演讲的slides，总结了他以及 Ian Goodfellow，Shakir Mohamed, Mihaela Rosca等人最新的GAN工作。

PPT下载：http://www.gatsby.ucl.ac.uk/~balaji/Understanding-GANs.pdf

《理解生成对抗网络》

包括以下内容：

GAN与概率机器学习中的其他方法有哪些联系？

如何比较分布？

生成模型与算法

如何结合VAE和GAN来获得更好的结果？

缩小理论与实践之间的差距

其他一些有趣的研究方向和应用

问题陈述：

一个生成模型

我们的目标是：从真实分布给定样本，找到 θ

GAN概述

鉴别器（Discriminator）：训练一个分类器，使用样本区分两个分布

生成器（Generator）：生成愚弄鉴别器的样本

Minimax game：在训练鉴别器和生成器之间交替

对应JS散度的最小值的纳什均衡

在实践中为了稳定训练需要一些技巧

GAN的各种变体非常多

GAN与概率机器学习中的其他方法有哪些联系？

隐式模型：生成数据的随机过程

规定模型：提供有关观察的概率的知识，并指定一个条件对数似然函数。

通过比较学习：使用样本比较估计分布与真实分布

定义一个联合损失函数，并在Comparison loss和Generative loss间交替

如何比较分布？

以下介绍了四种方法，包括：

类概率估计

散度最小化（f-GAN）

密度比估计

时矩匹配

如何比较分布？——方法小结

类概率估计

建立一个分类器来区分真实样本和真实样本

原始的GAN解决方案

密度比匹配

直接将真实比率与估计值之间的预期误差最小化

散度最小化

最小化真实密度 p* 和乘积 r(x)q(x) 之间的广义散度

f-GAN方法

时矩匹配（Moment matching）

匹配 p* 和 r(x)q(x) 的时矩

MMD，最优传输（ optimal transport），等

如何学习生成器？

在GAN中，生成器是可微分的

生成器loss有以下几种形式，例如：f-散度 D_f = E_q [f(r)]

可以利用再参数化的技巧

小结：在隐式生成模型中学习

密度比估计

但它们不专注于学习生成器

近似贝叶斯计算（ABC）和likelihood-free 推理

低维，理论更好理解

对参数的贝叶斯推断

模拟器通常是不可微分的

生成模型与算法

对一个固定模型，比较其推理算法

用最大似然估计（MLE）训练

通过Wasserstein GAN训练生成器

比较

小结：

Wasserstein距离可以比较模型。

通过训练critic可以近似估计Wasserstein距离。

通过WGAN进行训练能得到更好的样本，但对数概率显著更差。

通过WGAN训练的Latent code是非高斯的。

如何结合VAE和GAN来获得更好的结果？

Mode collapse问题：

“Unrolled GAN”论文中的MoG toy 的例子

VAE还有其他问题，但不会遭到Mode collapse

将自动编码器添加到GAN，及与VAE中Evidence Lower Bound (ELOB)的关系

评估不同的变体

我们的VAE-GAN的混合模型可与state-of-the-art的GANs相媲美

小结：VAEs和GANs

VAE:

变分推理：重构；编码器网络

后期的latent与先前的匹配

GAN：

隐式解码器

可以使用隐式编码器：用于匹配分布的鉴别器

缩小理论与实践之间的差距

GAN理论与实践的区别

已经有许多新的GAN变体被提出（例如Wasserstein GAN）

由新理论激发的损失函数和正则化项

理论与实践之间的有显着区别

如何弥补这个差距？

理论预测失败的综合数据集

将新的正规化项添加到原始non-saturating GAN

Jensen Shannon divergence失败时的合成数据集比较

Gradient penalty能得到更好的表现

在真实数据集上的结果

小结：

一些令人惊讶的发现：

梯度惩罚（gradient penalty）也能稳定（非Wasserstein的）GAN

不仅要考虑理想的损失函数，还要考虑优化

其他一些有趣的研究方向：

GAN用于模仿学习

使用一个单独的网络（鉴别器）来“学习”现实的动作

对抗模仿学习：RL奖励来自鉴别器

研究：

利用纳什均衡收敛的想法

与RL（actor-critic方法）的联系

控制理论

应用：

Class-conditional生成

文本-图像生成

图像-图像转换

单图像超分辨率

域适应

小结：

稳定GAN训练的方法

结合自动编码器

梯度惩罚

GAN文献中一些有用的工具：

密度比（density ratio）的技巧在其他领域也很有用（例如信息传递）

隐式变分逼近

学习一个现实的损失函数

如何处理不可微分的模拟器？——使用可微分近似进行搜索？

加入社群

新智元AI技术+产业社群招募中，欢迎对AI技术+产业落地感兴趣的同学，加小助手微信号: aiera2015_1 入群；通过审核后我们将邀请进群，加入社群后务必修改群备注（姓名-公司-职位；专业群审核较严，敬请谅解）。

此外，新智元AI技术+产业领域社群(智能汽车、机器学习、深度学习、神经网络等)正在面向正在从事相关领域的工程师及研究人员进行招募。

加入新智元技术社群 共享AI+开放平台